作为贝叶斯 RBF 网络的 LS-SVR

Diego P. P. Mesquita; Luis A. Freitas; João P. P. Gomes; César L. C. Mattos

作为贝叶斯 RBF 网络的 LS-SVR

机器学习 2019-08-06 v2 机器学习

作者: Diego P. P. Mesquita , Luis A. Freitas , João P. P. Gomes , César L. C. Mattos

摘要

我们展示了具有径向基函数（RBF）核的最小二乘支持向量回归（LS-SVR）模型与在特定高斯先验回归权重下的贝叶斯 RBF 网络上的最大后验（MAP）推断之间的理论相似性。尽管先前工作已指出这些学习方法之间类似的表达形式，我们明确并正式地陈述了已有的对应关系。我们通过使用标准回归基准进行计算实验来实证展示我们的结果。我们的发现开辟了一系列通过借鉴贝叶斯方法中成熟发展来改进 LS-SVR 的可能性。

关键词

最小二乘支持向量回归径向基函数贝叶斯网络最大后验高斯先验

引用

@article{arxiv.1905.00332,
  title  = {LS-SVR as a Bayesian RBF network},
  author = {Diego P. P. Mesquita and Luis A. Freitas and João P. P. Gomes and César L. C. Mattos},
  journal= {arXiv preprint arXiv:1905.00332},
  year   = {2019}
}

备注

14 pages, currently under review

作为贝叶斯 RBF 网络的 LS-SVR

摘要

关键词

引用

备注

相关论文