In mathematics, a Relevance Vector Machine (RVM) is a machine learning technique that uses Bayesian inference to obtain parsimonious solutions for regression and probabilistic classification.The RVM has an identical functional form to the support vector machine, but provides probabilistic classification. It is actually equivalent to a Gaussian process model with covariance function: where is the kernel function (usually Gaussian), are the variances of the prior on the weight vector, and are the input vectors of the training set.
| Attributes | Values |
|---|
| rdf:type
| |
| rdfs:label
| - Relevance vector machine (en)
- Метод релевантных векторов (ru)
- Доречно-векторна машина (uk)
- 相关向量机 (zh)
|
| rdfs:comment
| - Метод релевантных векторов (МРВ, англ. Relevance Vector Machine, RVM) — это техника машинного обучения, которая использует байесовский вывод для получения решений на принципе экономности для регрессии и вероятностной классификации.МРВ имеет тот же функциональный вид, что и метод опорных векторов, но обеспечивает вероятностную классификацию. (ru)
- 相关向量机（Relevance vector machine，RVM）是使用贝叶斯推理得到回归和分类的解的机器学习技术。RVM的函数形式与支持向量机相同，但是可以提供概率分类。 其与带协方差函数的高斯过程等效。： 其中φ是（通常是高斯核函数），x1,…,xN是训练集的输入向量。 Compared to the SVM the Bayesian formulation allows avoiding the set of free parameters that the SVM has and that usually require cross-validation based post optimizations. However RVMs use an (EM)-like learning method and are therefore at risk of local minima, unlike the standard -based algorithms employed by s which are guaranteed to find a global optimum. (zh)
- In mathematics, a Relevance Vector Machine (RVM) is a machine learning technique that uses Bayesian inference to obtain parsimonious solutions for regression and probabilistic classification.The RVM has an identical functional form to the support vector machine, but provides probabilistic classification. It is actually equivalent to a Gaussian process model with covariance function: where is the kernel function (usually Gaussian), are the variances of the prior on the weight vector, and are the input vectors of the training set. (en)
- У математиці, доре́чно-ве́кторна маши́на (ДВМ, англ. Relevance Vector Machine, RVM) — це методика машинного навчання, яка використовує баєсове висновування для отримання ощадливих розв'язків для регресії та ймовірнісної класифікації. ДВМ має однаковий функційний вигляд з опорно-векторною машиною, але забезпечує ймовірнісну класифікацію. Вона фактично рівнозначна моделі ґаусового процесу з де є (зазвичай ґаусовою), є дисперсіями апріорних значень елементів вектора вагових коефіцієнтів , а є вхідними векторами тренувального набору. Доречно-векторну машину компанією Microsoft. (uk)
|
| dcterms:subject
| |
| Wikipage page ID
| |
| Wikipage revision ID
| |
| Link from a Wikipage to another Wikipage
| |
| Link from a Wikipage to an external page
| |
| sameAs
| |
| dbp:wikiPageUsesTemplate
| |
| has abstract
| - In mathematics, a Relevance Vector Machine (RVM) is a machine learning technique that uses Bayesian inference to obtain parsimonious solutions for regression and probabilistic classification.The RVM has an identical functional form to the support vector machine, but provides probabilistic classification. It is actually equivalent to a Gaussian process model with covariance function: where is the kernel function (usually Gaussian), are the variances of the prior on the weight vector, and are the input vectors of the training set. Compared to that of support vector machines (SVM), the Bayesian formulation of the RVM avoids the set of free parameters of the SVM (that usually require cross-validation-based post-optimizations). However RVMs use an expectation maximization (EM)-like learning method and are therefore at risk of local minima. This is unlike the standard sequential minimal optimization (SMO)-based algorithms employed by SVMs, which are guaranteed to find a global optimum (of the convex problem). The relevance vector machine was patented in the United States by Microsoft (patent expired September 4, 2019). (en)
- Метод релевантных векторов (МРВ, англ. Relevance Vector Machine, RVM) — это техника машинного обучения, которая использует байесовский вывод для получения решений на принципе экономности для регрессии и вероятностной классификации.МРВ имеет тот же функциональный вид, что и метод опорных векторов, но обеспечивает вероятностную классификацию. (ru)
- У математиці, доре́чно-ве́кторна маши́на (ДВМ, англ. Relevance Vector Machine, RVM) — це методика машинного навчання, яка використовує баєсове висновування для отримання ощадливих розв'язків для регресії та ймовірнісної класифікації. ДВМ має однаковий функційний вигляд з опорно-векторною машиною, але забезпечує ймовірнісну класифікацію. Вона фактично рівнозначна моделі ґаусового процесу з де є (зазвичай ґаусовою), є дисперсіями апріорних значень елементів вектора вагових коефіцієнтів , а є вхідними векторами тренувального набору. У порівнянні з опорно-векторними машинами (ОВМ, англ. support vector machines, SVM), баєсове формулювання ДВМ уникає набору вільних параметрів, як в ОВМ (які зазвичай вимагають післяоптимізацій на основі перехресної перевірки). Проте ДВМ використовують метод навчання, подібний до очікування-максимізації, і відтак схильні до ризику локальних мінімумів. Це відрізняється від стандартних алгоритмів на основі послідовної мінімальної оптимізації (ПМО), що використовують ОВМ, які гарантують знаходження глобального оптимуму (для опуклої задачі). Доречно-векторну машину компанією Microsoft. (uk)
- 相关向量机（Relevance vector machine，RVM）是使用贝叶斯推理得到回归和分类的解的机器学习技术。RVM的函数形式与支持向量机相同，但是可以提供概率分类。 其与带协方差函数的高斯过程等效。： 其中φ是（通常是高斯核函数），x1,…,xN是训练集的输入向量。 Compared to the SVM the Bayesian formulation allows avoiding the set of free parameters that the SVM has and that usually require cross-validation based post optimizations. However RVMs use an (EM)-like learning method and are therefore at risk of local minima, unlike the standard -based algorithms employed by s which are guaranteed to find a global optimum. (zh)
|
| prov:wasDerivedFrom
| |
| page length (characters) of wiki page
| |
| foaf:isPrimaryTopicOf
| |
| is Link from a Wikipage to another Wikipage
of | |
| is Wikipage redirect
of | |
| is Wikipage disambiguates
of | |
| is foaf:primaryTopic
of | |
![[RDF Data]](/fct/images/sw-rdf-blue.png)
![[cxml]](/fct/images/cxml_doc.png)
![[csv]](/fct/images/csv_doc.png)
![[text]](/fct/images/ntriples_doc.png)
![[turtle]](/fct/images/n3turtle_doc.png)
![[ld+json]](/fct/images/jsonld_doc.png)
![[rdf+json]](/fct/images/json_doc.png)
![[rdf+xml]](/fct/images/xml_doc.png)
![[atom+xml]](/fct/images/atom_doc.png)
![[html]](/fct/images/html_doc.png)