相关向量机学习会

2016年7月7号下午3.30,在数学楼310合肥工业大学李廉教授举办了关于相关向量机(Relevance Vector Machine,RVM)的学习会。本次学习会接续上次学习会关于RVM的问题,并对RVM进行了探讨。

相关向量机(Relevance Vector Machine,RVM)是贝叶斯统计学习理论(Statistical Learning Theory,SLT)发展的产物,是一种有监督机器学习的模式识别新方法。该方法由支持向量机(Support Vector Machine,SVM)理论演变而来,相比后者,其具有解更稀疏、核函数选择更自由、泛化能力更强、鲁棒性更好等优点。在小样本的统计学习问题中表现尤其突出,近几年已经在应用领域得到了快速发展,在模式分类,故障诊断、智能预测、语音及图像信息处理等方面均有很好的表现。

本次学习会首先由殷越同学为大家介绍了RVM的一些相关知识,对SVM算法的不足之处进行了简单的介绍,随后详细介绍了RVM的意义和RVM的算法证明过程,但由于算法难度过高,介绍的不是很具体。

李廉教授对殷越介绍的内容进行了详细的补充,首先对RVM是如何弥补了SVM算法的不足进行了具体的讲解,其次对如何进行回归估计获取预测值的概率分布来得到一个基于核函数的稀疏解和如何去寻求一个最优参数的过程进行了推导,最后对SVM和RVM的关联性和差异进行了深入的说明。

在学习会上,老师和同学们认真学习并积极交流,对RVM的实用性进行了探讨。李廉教授最后进行了总结,希望老师同学们对RVM和SVM的原理有更清晰的了解,从而将其更好的运用到实际中。

anyShare分享到:
This entry was posted in 交流活动, 学习笔记. Bookmark the permalink.

发表评论