|
|
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
, a6 C. d; H4 M! m' g; d2 ~% @# S( V( g: I
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.8 V# q, o' ?) l2 R- J5 X! D
7 v' P# I; t+ P# d
# D% c' M. y. \: E: Y, v# C- e
! c3 U% d, ~' Q. U! j( o关键词:拉普拉斯;稀疏贝叶斯;稀疏流形先验;流形正则化
1 {; A8 P7 D, @9 F) Q* k! y S+ j- q& i9 c
( |9 ~9 v/ @+ }1 K+ ~3 b, m) b5 B M
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.
J2 ]* w9 K; }
2 K' Q# ^% \# m; g3 ]' }- H0 K/ Z! }8 S1 q
; y# L/ V8 Q) R9 e" a0 X
基于稀疏贝叶斯的流形学习.pdf
(860.48 KB, 下载次数: 0)
3 o: N0 y9 S9 f( P$ N. }( b: }0 J( F
G, e4 u3 H& a! _ |
|
/1 
发表于 2021-3-29 09:18
收藏
淘帖
支持！
反对！