稀疏贝叶斯分类器的统计力学发展
无序系统与神经网络
2009-11-11 v2
摘要
在各个领域中，从高维真实世界数据中提取规则的需求日益增加。然而，此类数据可能存在的冗余性有时会使其难以对新颖样本获得良好的泛化能力。为了解决这一问题，我们提供了一种基于贝叶斯框架的方案，通过修剪冗余成分来降低数据的有效维度，以用于双类别分类。首先，利用 replica method 在理想情况下验证了所提方法的潜力。遗憾的是，精确执行该方案在计算上很困难。因此，我们随后开发了一种易于处理的近似算法，结果表明在系统尺寸较大的理想情况下，该算法能提供接近最优的性能。最后，针对结肠癌分类的真实世界问题，实验检验了所开发分类器的有效性，结果表明所开发的方法具有实用价值。
引用
@article{arxiv.cond-mat/0502051,
title = {Statistical Mechanical Development of a Sparse Bayesian Classifier},
author = {Shinsuke Uda and Yoshiyuki Kabashima},
journal= {arXiv preprint arXiv:cond-mat/0502051},
year = {2009}
}
备注
13 pages, 6 figures