恭喜词条创建成功 2023-01-02 00:50:16
它的训练是在贝叶斯框架下进行的,在先验参数的结构下基于主动相关决策理论(automatic relevance determination,简称ard)来移除不相关的点,从而获得稀疏化的模型。在样本数据的迭代学习过程中,大部分参数的后验分布趋于零,与预测值无关,那些非零参数对应的点被称作相关向量(relevance vectors),体现了数据中最核心的特征。同支持向量机相比,相关向量机最大的优点就是极大地减少了核函数的计算量,并且也克服了所选核函数必须满足mercer条件的缺点。
1. svm 基于结构风险最小化原则构建学习机,rvm基于贝叶斯框架构建学习机
2. 与svm相比,rvm不仅获得二值输出,而且获得概率输出
3. 在核函数的选择上,不受梅西定理的限制,可以构建任意的核函数
4. 不需对惩罚因子做出设置。在svm中惩罚因子是平衡经验风险和置信区间的一个常数,实验结果对该数据十分敏感,设置不当会引起过学习等问题。但是在rvm中参数自动赋值
5. 与svm相比,rvm更稀疏,从而测试时间更短,更适用于在线检测。众所周知,svm的支持向量的个数随着训练样本的增大成线性增长,当训练样本很大的时候,显然是不合适的。虽然rvm的相关向量也随着训练样本的增加而增加,但是增长速度相对svm却慢了很多。
6. 学习机有一个很重要的能力是泛化能力,也就是对于没有训练过的样本的测试能力。文章表明,rvm的泛化能力好于svm。
7. 无论是在回归问题上还是分类问题上,rvm的准确率近似于svm。
8. 但是rvm训练时间短。
本站上发表的所有内容,均为原作者的观点,不代表百科网的立场,也不代表百科网的价值判断。百科的词条(含所附图片)来源互联网或网友上传,如果涉嫌侵权,请与客服联系,我们会立即进行处理。
尊龙人生就是博d88 copyright 2018-2028
baike.quwen5.cn所有