概率特征选择分类向量机
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 研究问题概述 | 第13-14页 |
| 1.2 研究背景 | 第14-16页 |
| 1.3 研究内容 | 第16-17页 |
| 1.4 本文的结构 | 第17-19页 |
| 第二章 稀疏贝叶斯学习 | 第19-27页 |
| 2.1 模型设定 | 第19-20页 |
| 2.2 稀疏先验 | 第20-24页 |
| 2.2.1 稀疏学习 | 第20-21页 |
| 2.2.2 半截高斯先验 | 第21-22页 |
| 2.2.3 超参数的分布 | 第22-24页 |
| 2.3 后验概率 | 第24-25页 |
| 2.3.1 最大化后验估计 | 第24-25页 |
| 2.4 边际似然概率 | 第25页 |
| 2.5 模型预测 | 第25-26页 |
| 2.6 本章小结 | 第26-27页 |
| 第三章 概率特征选择分类向量机 | 第27-39页 |
| 3.1 基于EM算法的概率特征选择分类向量机 | 第27-30页 |
| 3.1.1 似然函数的设定 | 第27页 |
| 3.1.2 最大化后验概率 | 第27-29页 |
| 3.1.3 基于EM算法的PFCVM的实现 | 第29-30页 |
| 3.2 基于拉普拉斯近似的概率特征选择分类向量机 | 第30-37页 |
| 3.2.1 计算后验概率分布 | 第30-34页 |
| 3.2.2 最大化边际似然 | 第34页 |
| 3.2.3 计算超参数 | 第34-36页 |
| 3.2.4 基于拉普拉斯的PFCVM的实现 | 第36-37页 |
| 3.2.5 预测结果 | 第37页 |
| 3.3 本章小结 | 第37-39页 |
| 第四章 实验分析 | 第39-51页 |
| 4.1 人工数据集 | 第39-41页 |
| 4.2 标准数据集 | 第41-43页 |
| 4.3 高维基因表示数据集 | 第43-48页 |
| 4.4 计算复杂度 | 第48-50页 |
| 4.5 本章小结 | 第50-51页 |
| 第五章 泛化性和稀疏性 | 第51-59页 |
| 5.1 泛化与稀疏 | 第51页 |
| 5.2 泛化边界 | 第51-55页 |
| 5.3 稀疏性分析 | 第55-57页 |
| 5.4 本章小结 | 第57-59页 |
| 第六章 总结与展望 | 第59-61页 |
| 6.1 总结 | 第59页 |
| 6.2 后续工作 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65-67页 |
| 在读期间发表的学术论文与取得的研究成果 | 第67页 |
