SVM与RVM对比

Sparse Kernel Machine(基于核的具有稀疏解的算法)有两种,一种是Support Vector Machine(支持向量机)即SVM,另一种是Relevance Vector Machine(相关向量机)即RVM。

SVM与RVM的共同特点就是具有稀疏解,从而在对新数据进行预测时只依赖于在训练数据中的一个子集上计算的核函数,这个子集对于SVM来说就是Support Vector(支持向量),而对于RVM来说就是Relevance Vector(相关向量)。

SVM的重要性质是它的模型参数的确定对应一个凸优化的问题,因此许多局部解就是全局最优解。但SVM不提供后验概率,而RVM的重要性质就是,RVM引入了贝叶斯方法,提供后验概率的输出,并且常常能产生更稀疏的解(在测试集上预测时速度更快)。SVM常常需要用交叉验证的方法确定模型复杂度参数C,而对于RVM来说,引入贝叶斯方法的另一个好处就是,省去了模型选择这一步。但RVM由于求矩阵的逆的运算,常常需要更多的训练时间。

  • 4
    点赞
  • 15
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值