|
|
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
; x a# A& h( I2 c$ X
; ]6 `) x" Y" X; ^" b* ^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.- p6 l' `- T' K! ~% n" l0 C5 M
6 M& C% \9 H# Q4 p; F- [
, x: k# }/ u% C; }& o/ o7 ?
$ q6 S$ ~, L$ ?2 `
关键词:拉普拉斯;稀疏贝叶斯;稀疏流形先验;流形正则化- p0 @; o% c1 e9 }. d5 p
. y# ?3 s: G3 g0 u8 X8 g4 {" B- q# r
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 ?3 V+ ? t4 y5 e( ]3 D. P6 X* r' @- ]0 H$ h( D# R
! V5 m/ \3 k, b; Z7 K5 ~3 I2 m. ~$ t6 A y# ^1 N7 F
基于稀疏贝叶斯的流形学习.pdf
(860.48 KB, 下载次数: 0)
& B4 e. t) ?2 Q/ q; M3 ^
. w7 v* e! U6 b* @" i" }( c
" h k0 u, Q6 F0 X1 q* w. C; ^( E
|
|
/1 
发表于 2021-3-29 09:18
收藏
淘帖
支持！
反对！