Máquina de vetores de relevância - Relevance vector machine
Parte de uma série sobre |
Aprendizado de máquina e mineração de dados |
---|
Em matemática , a Relevance Vector Machine (RVM) é uma técnica de aprendizado de máquina que usa inferência Bayesiana para obter soluções parcimoniosas de regressão e classificação probabilística . O RVM tem uma forma funcional idêntica à máquina de vetores de suporte , mas fornece classificação probabilística.
Na verdade, é equivalente a um modelo de processo gaussiano com função de covariância :
onde é a função kernel (geralmente Gaussiana), são as variâncias da anterior no vetor de peso e são os vetores de entrada do conjunto de treinamento .
Em comparação com as máquinas de vetores de suporte (SVM), a formulação bayesiana do RVM evita o conjunto de parâmetros livres do SVM (que geralmente requerem pós-otimizações baseadas em validação cruzada). No entanto, os RVMs usam um método de aprendizado semelhante ao da maximização da expectativa (EM) e, portanto, correm o risco de mínimos locais. Isso é diferente dos algoritmos baseados em otimização sequencial mínima (SMO) padrão empregados por SVMs , que são garantidos para encontrar um ótimo global (do problema convexo).
A máquina de vetores de relevância foi patenteada nos Estados Unidos pela Microsoft (a patente expirou em 4 de setembro de 2019).
Veja também
- Truque do kernel
- Escala de Platt : transforma um SVM em um modelo de probabilidade
Referências
Programas
- Biblioteca dlib C ++
- A Biblioteca Kernel-Machine
- rvmbinary : pacote R para classificação binária
- scikit-rvm
- fast-scikit-rvm , tutorial de rvm