|
EDA365欢迎您登录!
您需要 登录 才可以下载或查看,没有帐号?注册
x
: {& G1 y& N2 o5 B6 d3 z- L
) V, g/ r- A2 b, p+ F* j7 Q! N0 |
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.
! S( c2 J) \( [* d( G' a2 p% Z6 R1 W) j/ r: {2 J( x C" ]
' S8 L( P/ r: `- B* N6 R4 F: M4 V1 r7 X, H. s2 z$ _5 J) P: L2 `
关键词:拉普拉斯;稀疏贝叶斯;稀疏流形先验;流形正则化! W2 s2 `1 a$ K/ n
& D# z/ z8 L. N: Z5 x, L! J; ]# P% y
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.9 X7 G: h/ g; x
. K4 m0 d3 g8 |4 W$ [
+ J& {( F, G6 W! t9 ^# r4 q+ V7 |0 I8 w7 J) [. ]3 p/ G" }! `
基于稀疏贝叶斯的流形学习.pdf
(860.48 KB, 下载次数: 0)
3 j! Y; B& j3 K9 u4 T
0 B9 h+ x7 @; e/ N a1 S! `/ a% c: S; q6 w' g3 x6 M
|
|