|
|
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
, a# E. @' C1 [2 O/ W% O4 _
2 _: K; u; p/ s1 a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.! V6 v& g; [# p+ v) k, x
' l. M/ V* h% y7 D! B& F& y
6 e% X& e7 |! C8 O( |
- i& C$ T- ]( l* `4 s关键词:拉普拉斯;稀疏贝叶斯;稀疏流形先验;流形正则化1 c& w4 e" ?4 P$ @0 ?' c% w
/ H4 d5 Z9 w P; i* [% t% H0 K
1 S, W' Q8 U4 m& N 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.
8 C7 ]3 n6 K& q! a) l" c
: A- A4 b: s+ _# M& ^! k: I$ a2 E! l- T2 ^ Y1 b
3 X8 P) W+ t: B9 k
基于稀疏贝叶斯的流形学习.pdf
(860.48 KB, 下载次数: 0)
3 w! T$ B! x w1 R3 x3 l' ?5 I% O: t2 O: `
C4 ] ?4 U( y
|
|
/1 
发表于 2021-3-29 09:18
收藏
淘帖
支持！
反对！