酷徒LOGO

scikit-rvm, 利用scikit-learn API实现关联向量机


  • 源代码名称:scikit-rvm
  • 源代码网址:http://www.github.com/JamesRitchie/scikit-rvm
  • scikit-rvm源代码文档
  • scikit-rvm源代码下载
  • Git URL:
    git://www.github.com/JamesRitchie/scikit-rvm.git
    Git Clone代码到本地:
    git clone http://www.github.com/JamesRitchie/scikit-rvm
    Subversion代码到本地:
    $ svn co --depth empty http://www.github.com/JamesRitchie/scikit-rvm
    Checked out revision 1.
    $ cd repo
    $ svn up trunk
    
    scikit rvmhttps://coveralls.io/repos/JamesRitchie/scikit-rvm/badge.svg?branch=master&service=github

    scikit RVM是一个python模块,使用

    快速开始

    在你的环境中可以使用numpy.SciPy和Scikit-Learn,请安装:

    
    
    
    
    pip install https://github.com/JamesRitchie/scikit-rvm/archive/master.zip
    
    
    
    
    

    回归由RVR类完成:

    
    
    
    
    >>> from skrvm import RVR
    
    
    >>> X = [[0, 0], [2, 2]]
    
    
    >>> y = [0.5, 2.5 ]
    
    
    >>> clf = RVR(kernel='linear')
    
    
    >>> clf.fit(X, y)
    
    
    RVR(alpha=1e-06, beta=1e-06, beta_fixed=False, bias_used=True, coef0=0.0,
    
    
    coef1=None, degree=3, kernel='linear', n_iter=3000,
    
    
    threshold_alpha=1000000000.0, tol=0.001, verbose=False)
    
    
    >>> clf.predict([[1, 1]])
    
    
    array([ 1.49995187])
    
    
    
    
    

    分类由RVC类完成:

    
    
    
    
    >>> from skrvm import RVC
    
    
    >>> from sklearn.datasets import load_iris
    
    
    >>> clf = RVC()
    
    
    >>> clf.fit(iris.data, iris.target)
    
    
    RVC(alpha=1e-06, beta=1e-06, beta_fixed=False, bias_used=True, coef0=0.0,
    
    
    coef1=None, degree=3, kernel='rbf', n_iter=3000, n_iter_posterior=50,
    
    
    threshold_alpha=1000000000.0, tol=0.001, verbose=False)
    
    
    >>> clf.score(iris.data, iris.target)
    
    
    0.97999999999999998
    
    
    
    
    

    理论

    RVM与支持向量机的稀疏贝叶斯模拟具有许多优点:

    它提供了概率估计,而不是SVM点估计。通常提供比SVM更稀疏的解决方案,它倾向于支持向量的数量随训练集的大小线性增长,不需要选择复杂度参数来避免过拟合,

    尽管预测更快并且不需要交叉验证,但是训练比SVM昂贵。

    RVM的最初创建者Mike Tipping提供了一组文章,它们提供了对(和一般的稀疏贝叶斯学习)在

    贡献者

    未来的改进

    实现了7.2.3节给出的快速序列稀疏贝叶斯学习算法模式Recognition和Machine Learning更优雅地处理错误,实现更多内核选择,使用IPython notebook创建更详细的示例。




    Copyright © 2011 HelpLib All rights reserved.    知识分享协议 京ICP备17041772号-2  |  如果智培  |  酷兔英语  |  帮酷