采用置信度加权学习的相关向量机分类算法

摘要

相关向量机(RVM)是一种通过贝叶斯推断在核空间建立稀疏线性模型的机器学习方法。在求解分类问题时，为了避免不可分或误标记训练样本对RVM分类精度的影响，提出一种训练方法。在训练得到RVM模型后，用置信度加权(Confidence weighted)算法重新对权值进行学习。CW算法通过计算当前样本对已有模型的置信度，判断是否用当前样本更新权值。利用这一特性在训练时只挑选部分训练集用于训练。结果表明:本算法保持了RVM的稀疏性，其分类能力比标准RVM的有所提高。