|
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
* d2 b. ?8 _) i% l" o/ Z' d" S4 Z$ \' J. i7 j6 Q- c! n8 z
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 p {9 S% J( M0 m2 w( r6 m6 _) @) ?+ b5 a; l6 o
5 F+ @' B7 H' t; Q3 k. @' E* Z: E" b+ X/ x7 S1 R z7 ^! f
关键词:拉普拉斯;稀疏贝叶斯;稀疏流形先验;流形正则化
- M6 V3 q* V$ ^# a4 {8 m* E, ~8 p! F
- }6 B& K- Z4 i, d6 t; @! O, p 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.
: J4 m4 ^5 F, r& V. W+ }0 A8 x0 E* Z
0 ^! h8 N$ J6 n" `
& |) V; T: ] `& c2 S! G/ C# l9 ?/ q, W4 I: I+ {
基于稀疏贝叶斯的流形学习.pdf
(860.48 KB, 下载次数: 0)
" y- g d; R8 b; w6 D4 m' D! h! C7 I8 B* c/ q1 m R( y
4 c& L @. u j* u |
|