| Description |
Diese Arbeit behandelt einen generischen Bayes-Ansatz zum Finden spärlicher Lösungen von Regressions- und Klassifikationsproblemen. Innerhalb dieses weit umfassenden Rahmens maschineller Lernverfahren soll dieser Ansatz anhand
einer speziellen Instanz dieser Klasse diskutiert werden: der Relevance Vector Machine (RVM). Ihre Modelle haben im Prinzip eine ähnliche funktionale Form wie der weit verbreiteten und äußerst erfolgreichen Support Vector Machine (SVM). Durch Ausnutzen des generischen probabilistischen Ansatzes können genauso akkurate Modelle erzeugt werden - die jedoch oftmals wesentlich spärlicher sind (d.h. weniger Basisfunktionen verwenden). Darüberhinaus erscheint ihre Interpretation durch Auszeichnung prototypischer Beispiel leichter als die Auswertung der "Grenzbeispiele" (Support Vectors). Zu guter Letzt ist der Raum der Basismethoden nicht auf Kernfunktionen eingeschränkt.
Nach einer erfolgreichen Implementierung einer RVM und ihrer Integration in die maschinelle Lernumgebung YALE sollen die Vor- und Nachteile der RVM in dieser Arbeit untersucht werden.
|
