基于相关向量机RVM的分类算法
文章目录
- 基于相关向量机RVM的分类算法
- 1.RVM原理
- 2.算法实验与结果
- 3.参考文献:
- 4.MATLAB代码
摘要:本文主要介绍相关向量机RVM的基本原理,以及在分类问题中的应用。
1.RVM原理
RVM算法是一种基于贝叶斯框架的机器学习模型 ,通过最大化边际似然得到相关向量和权重。
设和分别是输入向量和输出向量,目标可采用如式(1)所示的回归模型获得:
式中: 为零均值、方差 的噪声, 定义为:
式中: 是核函数, 是权重向量,是偏差。设是独立的,其概率定义为:
式中:,是的矩阵。
式(3)中的 和 最大似然估计会导致过拟合,为约束参数,定义一个零均值高斯先验概率分布:
式中: 是
依据贝叶斯公式,未知参数的后验概率为:
后验分布的权重被描述为:
式中:后验均值,协方差,。
为了实现统一的超参数,做出如下定义:
高斯径向基函数具有较强的非线性处理能力,被用作核函数,其定义如下:
式中:
2.算法实验与结果
本文算法数据数量一共为250组数据,2个类别数据。其中前200组数据用训练,后50组数据用作测试数据。数据的输入维度为11维。
数据类别 | 数据量 |
训练数据 | 200 |
测试数据 | 50 |
设置RVM的核函数为高斯径向基函数,核宽度为3。得到的结果如下图所示:
训练集准确率:0.955
测试集准确率:0.84314
从结果来看,RVM在二分分类问题上表现还可以。
3.参考文献:
[1] TIPPPING M E. Sparse Bayesian learning and the relevance vector machine[J]. The journal of machine learning research,2001,1: 211-244.
4.MATLAB代码