الگوریتم (RVM)relevence vector machine

در ریاضیات ، یک ماشین بردار( Relevance (RVMیک تکنیک یادگیری ماشینی است که از استنباط بیزی برای بدست آوردن راه حلهای پارسا برای رگرسیون و طبقه بندی احتمالی استفاده می کند. RVM یک شکل کارکردی یکسان با ماشین بردار پشتیبانی دارد ، اما طبقه بندی احتمالی را ارائه می دهد. این در واقع معادل یک مدل فرآیند گاوسی با عملکرد کوواریانس است. در این پژوهش به صورت کامل به تشریح این الگوریتم پرداخته ایم و به صورت فایل ورد قابل دانلود می باشد.

الگوریتم RVM در واقع معادل یک مدل فرآیند گاوسی با عملکرد کوواریانس است، که در آن  عملکرد هسته (معمولاً گاوسی)، واریانسهای قبلی در بردار وزن است و بردارهای ورودی مجموعه آموزشی هستند.

در مقایسه با ماشینهای بردار پشتیبانی (SVM) ، فرمول بیزی RVM از مجموعه پارامترهای رایگان SVM (که معمولاً نیاز به بهینه سازی پس از اعتبار سنجی متقابل دارند) جلوگیری می کند. با این حال RVM ها از یک روش یادگیری شبیه سازی حداکثر (EM) مانند انتظار استفاده می کنند. بنابراین در معرض خطر حداقل محلی هستند. این برخلاف الگوریتم های مبتنی بر بهینه سازی حداقل حداکثر متوالی (SMO) است که توسط SVM استفاده می شود، که برای یافتن یک بهینه جهانی (از مسئله محدب) تضمین شده است.

ماشین بردار ارتباط در ایالات متحده توسط مایکروسافت ثبت اختراع شده است (ثبت اختراع در ۴ سپتامبر ۲۰۱۹). این الگوریتم عملیاتی از دستگاه وکتور Relevance (RVM) است که یک روش احتمالی برای طبقه بندی و رگرسیون است. الگوریتم ماشین Relevance Machine یک روش احتمالی هم برای طبقه بندی و هم برای رگرسیون است. اجرای دستگاه بردار ارتباط با الگوریتم اصلی شرح داده شده توسط “Tipping / 2001”  است. اگر پارامتر نوع rvm روی “سازنده رگرسیون RVM” تنظیم شود، نسخه سریع از حداکثر احتمال حاشیه (“Tipping / Faul / 2003”) نیز موجود است.

یک ماشین بردار Relevance یک تکنیک یادگیری ماشینی است که از استنباط بیزی برای بدست آوردن راه حل های پارسا برای رگرسیون و طبقه بندی استفاده می کند. RVM یک شکل کارکردی یکسان با ماشین بردار پشتیبانی دارد، اما طبقه بندی احتمالی را ارائه می دهد.

مطالعه بیشتر