机器学习系列3---相关向量机（RVM）

最新推荐文章于 2024-07-06 20:43:56 发布

一条大咸咸鱼

最新推荐文章于 2024-07-06 20:43:56 发布

阅读量6.5k

点赞数 8

分类专栏：稀疏贝叶斯相关向量机特征表示文章标签：机器学习算法稀疏编码

本文链接：https://blog.csdn.net/qq_35667901/article/details/105848028

版权

特征表示同时被 3 个专栏收录

9 篇文章 14 订阅

订阅专栏

相关向量机

2 篇文章 4 订阅

订阅专栏

稀疏贝叶斯

1 篇文章 1 订阅

订阅专栏

本期介绍一种重要的稀疏表示方法：相关向量机（Relevance Vector Machine, RVM）。RVM是有著名学者Michael E. Tipping于2001年提出的，相关论文发表在著名国际期刊《Journal of machine learning research》(该期刊的影响力大不如以前了)，论文题目为：Sparse Bayesian Learning and the Relevance Vector Machine，主要介绍了传统分类算法支持向量机（SVM）的应用限制，然后基于贝叶斯框架提出基于稀疏表示的特征变量分析方法，即相关向量机，最后根据数据分析对比说明相关向量机的有效性。

一、支持向量机的局限性

支持向量机是经典的机器学习算法，自提出至今备受大家关注，至今仍是相关领域的研究热点，关于支持向量机的介绍请看这位博主的作品：https://blog.csdn.net/lyxleft/article/details/82880860（至今看到很不错的博文）。但是SVM在实际应用中存在以下缺点：

1. SVM支持向量个数随训练集样本个数增大呈线性增长，导致在进行核函数计算之前需要某种处理减少计算复杂度；

2. SVM无法计算输出结果的后验概率分布，导致无法判断计算结果的可靠性；

3. 需要交叉验证确定超参数，计算过程复杂；

4. SVM 不太适合用于多分类问题，虽然目前有针对多分类的Libsvm工具包，但是计算的主要思路还是2分类，通过集成多个分类器的计算结果实现多分类问题；

5. SVM的核函数必须满足Mercer条件，限制了SVM的应用范围。

二、相关向量机分析过程

类似于SVM，假设模型为：

$\small t_n=\Phi (x_n)w_n+\varepsilon _n\; \; \;\; \; \; (1)$

其中 $\small \Phi (x_n)=K(\boldsymbol{\mathbf{x}},x_n)$ 表示核函数，假设噪声服从零均值、 $\small \sigma^2$ 的高斯分布，则这个数据服从：

$\small p(\mathbf{t}|\mathbf{w},\sigma^2)=(2\pi \sigma ^2)^{-N/2}exp{-\frac{1}{2\sigma ^2}\left \| \mathbf{t}-\Phi \mathbf{w} \right \|^2}\; \; \;\; \; \; (2)$

对于超参数 $\small w$ 和 $\small \beta =\sigma^{-2}$ 取先验分布：

$\small p(w|\alpha )=\prod_{i=0}^{N}N(w_i|0,\alpha _i^{-1}) \; \; \;\; \; \; (3)$

$\small p(\alpha )=\prod _{i=0}^N Gamma(\alpha |a,b) \; \; \;\; \; \; (4)$

$\small p(\beta )=Gamma(\beta |c,d)\; \; \;\; \; \; (5)$

根据分层概率分布，

$\small p(\mathbf{w}|\mathbf{t},\mathbf{\alpha} ,\sigma ^2)=\frac{p(\mathbf{t}|\mathbf{w},\sigma ^2)p(\mathbf{w}|\mathbf{\alpha} )}{p(\mathbf{t}|\mathbf{\alpha} ,\sigma ^2)} =N(\mathbf{\mu} ,\mathbf{\Sigma} ) \; \; \;\; \; \; (6)$

其中，

$\small \mathbf{\Sigma} =(\sigma ^{-2}\mathbf{\Phi} ^T\mathbf{\Phi} +\mathbf{A})^{-1}\; \; \;\; \; \; (7)$

$\small \mathbf{\mu} =\sigma ^{-2}\mathbf{\Sigma} \mathbf{\Phi }^T\mathbf{t}\; \; \;\; \; \; (8)$

对于新样本，对应的预测输出为：

$\small p(t_*|\mathbf{t},\mathbf{\alpha} _MP,\sigma _{MP}^2)=\int p(t_*|\mathbf{w},\sigma _{MP}^2)p(\mathbf{w}\mathbf{t},\mathbf{\alpha} _MP,\sigma _{MP}^2)d\mathbf{w}\;\;\;\;\;\;\;\;\;(9)$

对于超参数 $\small \mathbf{\alpha }$ 和 $\small \sigma ^2$ 的迭代计算方法为：

$\small \alpha _i^{new}=\frac{r_i}{\mu _i^2}\;\;\;\;\;\;\;\;(10)$

$\small r_i=1-\alpha _{i}\Sigma _{ii}\;\;\;\;\;\;\;\;(11)$

$\small (\sigma ^2)^{new}=\frac{\left \| \mathbf{t}-\mathbf{\Phi}\mathbf{ \mu } \right \|^2}{N-\Sigma _i\gamma _i}\;\;\;\;\;\;\;(12)$

在上述迭代求解过程中，发现大部分的 $\small \mathbf{\alpha }_i$ 为无限大，这意味着参数控制变量 $\small p(w_i )=N(0,\alpha _i^{-1})$ 服从零均值、零方差的高斯正态分布，则大部分 $\small w$ 分布在 0 附近，即实现了变量的稀疏表示，对于不为零的变量，则称为“相关向量”。