Relevance Vector Machine ( RVM ) je technika strojového učení, která využívá Bayesovu inferenci k získání úsporných řešení pro regresi a pravděpodobnostní klasifikaci [1] . RTM má stejnou funkční formu jako podpůrný vektorový stroj , ale poskytuje pravděpodobnostní klasifikaci.
Metoda je ve skutečnosti ekvivalentní Gaussovu procesnímu modelu s kovarianční funkcí :
,kde je funkce jádra (obvykle Gaussian), jsou apriorní odchylky vektoru váhy a jsou vstupní vektory trénovací množiny [2] .
Ve srovnání s podpůrnými vektorovými stroji se Bayesovská formulace RTM vyhýbá nutnosti volných parametrů (které obvykle vyžadují post-optimalizaci založenou na křížových validacích). RTM však používá metodu učení podobnou EM algoritmu , a proto existuje riziko, že se dostane do místního minima. To jej odlišuje od standardních algoritmů založených na sekvenční minimální optimalizaci používaných stroji s podporou vektorů a zaručujících nalezení globálního optima (na konvexním problému).
Metoda Relevant Vector Method je patentována v USA společností Microsoft [3] .
Strojové učení a dolování dat | |
---|---|
Úkoly | |
Učení s učitelem | |
shluková analýza | |
Redukce rozměrů | |
Strukturální prognózy | |
Detekce anomálií | |
Grafové pravděpodobnostní modely | |
Neuronové sítě | |
Posílení učení |
|
Teorie | |
Časopisy a konference |
|