Метод релевантных векторов (МРВ, англ. Relevance Vector Machine, RVM) — это техника обучения машин, которая использует байесовский вывод для получения решений на принципе экономности для регрессии и вероятностной классификации[en][1]. МРВ имеет тот же функциональный вид, что и метод опорных векторов, но обеспечивает вероятностную классификацию.
Метод, фактически, эквивалентен модели гауссовского процесса с функцией ковариации[en]:
где является фдерной функцией[en] (обычно, гауссианом), являются априорными дисперсиями вектора весов , а являются входными векторами тренировочного набора[en][2].
По сравнению с методами опорных векторов байесовская формулировка МРВ избегает необходимости свободных параметров (что, обычно, требует постоптимизации на основе перекрёстных проверок). Однако МРВ использует метод обучения, подобный EM-алгоритму, а потому существует риск скатывания в локальный минимум. Это отличает его от стандартных алгоритмов на основе последовательной минимальной оптимизации[en], используемой методами опорных векторов и гарантирующей нахождение глобального оптимума (на выпуклой задаче).
Метод релевантных векторов запатентован в США[en] компанией Microsoft[3].
Для улучшения этой статьи желательно: |
Данная страница на сайте WikiSort.ru содержит текст со страницы сайта "Википедия".
Если Вы хотите её отредактировать, то можете сделать это на странице редактирования в Википедии.
Если сделанные Вами правки не будут кем-нибудь удалены, то через несколько дней они появятся на сайте WikiSort.ru .