|
|
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
) O0 @' h {' r. i8 [' [6 f7 B$ \* ~8 j
# r% S. [( }4 e2 x* S: S$ Z; W$ K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.
# `( p, a0 Q$ g* V( U7 k% J! L6 G5 k* E$ w7 e Z) L4 s
6 I7 n5 I, S2 j; i( V0 F) \- n1 b! u
关键词:拉普拉斯;稀疏贝叶斯;稀疏流形先验;流形正则化8 @2 w. m! V. k8 W
: ~( a; G3 I& W
$ ^3 K3 n7 V* k9 v4 @ 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.
1 ~3 i; a3 r# }7 G+ Z- x, W2 C5 _1 B; E/ v2 b) W+ X
! x6 T6 t. l+ i
, l3 O& y5 M2 _. [% R
基于稀疏贝叶斯的流形学习.pdf
(860.48 KB, 下载次数: 0)
) G1 X0 x1 ?% M6 ]6 ]+ p% {
; F# H4 u) c: |8 s) t. g/ h
' N5 Y5 A2 H) W$ T |
|
/1 
发表于 2021-3-29 09:18
收藏
淘帖
支持！
反对！