|
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
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" T5 D# |( P9 O6 [
$ 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 d3 D7 S, f5 |! E
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.0 k/ j2 R* K5 U( ]
7 I" l9 w8 E" \2 g! D8 m1 Y! {/ V0 M2 Y! W/ X C
' 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)
8 s! ~& m6 p% b. |" r" l4 |! Y5 P. k7 P% j1 d' [6 O" P1 e# f [
& |- E0 |: h* ^+ c
|
|