开发工具:
文件大小: 438kb
下载次数: 0
上传时间: 2021-03-02
详细说明：事实证明，在许多机器学习和数据挖掘应用程序中，组特征选择（GFS）有助于提高学习型模型参数的可解释性和预测性能。现有的GFS模型主要基于平方损失和logistic损失进行回归分析和回归分析。进行分类，留下了由支持向量学习（SVL）机器普及的非敏感损失和铰链损失。 在本文中，我们提出了一种基于伪似然和数据增强思想的SVL机器的贝叶斯GFS框架。 利用贝叶斯推断，我们的方法可以规避正则化参数的交叉验证。 具体来说，我们在扩展空间中应用均值场变分方法来导出模型参数和超参数的后验分布，以进行贝叶斯估计。 在综合和真实数据集上进行的回归和分类实验均表明，我们提出的方法优于许多竞争对手。
(系统自动生成,下载前可以参看下载内容)
下载文件列表
相关说明
- 本站资源为会员上传分享交流与学习,如有侵犯您的权益,请联系我们删除.
- 本站是交换下载平台，提供交流渠道，下载内容来自于网络，除下载问题外，其它问题请自行百度。
- 本站已设置防盗链，请勿用迅雷、QQ旋风等多线程下载软件下载资源，下载后用WinRAR最新版进行解压.
- 如果您发现内容无法下载，请稍后再次尝试；或者到消费记录里找到下载记录反馈给我们.
- 下载后发现下载的内容跟说明不相乎，请到消费记录里找到下载记录反馈给我们，经确认后退回积分.
- 如下载前有疑问，可以通过点击"提供者"的名字，查看对方的联系方式，联系对方咨询.
