基于稀疏贝叶斯的流形学习

zxshunine

3 ~/ l3 @: K4 N7 l
& Z. s! E" v' h摘要:针对当前监督学习算法在流形数据集上分类性能的缺陷,如分类精度低且稀疏性有限,本文在稀疏贝叶斯方法和流行正则化框架的基础上,提出一种稀疏流形学习算法(Manifold Learning Based on Sparse Bayesian Ap-proach,MLSBA).该算法是对稀疏贝叶斯模型的扩展,通过在模型的权值上定义稀疏流形先验,有效利用了样本数据的流形信息,提高了算法的分类准确率.在多种数据集上进行实验,结果表明:MLSBA不仅在流形数据集上取得良好的分类性能,而且在非流形数据集上效果也比较好;同时算法在两类数据集上均具有良好的稀疏性能.
7 r: L1 J* C5 M# u4 A. W4 p
3 y& V  b5 ^: ?7 L& B+ g8 C

$ Q- Y& W6 y) o2 n4 B3 C! Y/ q关键词:拉普拉斯;稀疏贝叶斯;稀疏流形先验;流形正则化
4 R2 V$ |( }$ B5 F. g+ h
. b1 O4 e0 v- o  r1 d
       在监督学习中,对于给定的样本数据x∈R,希望得到一个可以对样本进行分类或者回归的函数f(x;w).为了得到f(x;w),首先需要给定一个训练数据集T= {(x1,.y1)，…,(、,y、)}(其中输入是一个d维向量，x，=[xl,…,Nu]∈ ”,当y;∈R时,对应的是回归问题;当y; el -1 ,1}时,表示研究的是二分类问题);然后在训练数据集上学习得到f(x;w);最后在假定与训练数据服从同样分布的测试数据上对f(x;w)的分类性能进行评估.

7 I" l9 w8 E" \2 g! D

' L" t; \% @8 f+ a% x+ `+ j 基于稀疏贝叶斯的流形学习.pdf (860.48 KB, 下载次数: 0)

2021-3-29 09:18 上传

点击文件名下载附件
下载积分: 威望 -5

8 s! ~& m6 p% b. |" r" l4 |! Y

modengxian111

MLSBA不仅在流形数据集上取得良好的分类性能,而且在非流形数据集上效果也比较好;同时算法在两类数据集上均具有良好的稀疏性能