Na matemática, uma máquina de vetores de relevância (RVM) é uma técnica de aprendizado de máquina que usa a inferência bayesiana para obter soluções parcimoniosas para regressão e classificação de probabilidades. Um procedimento de otimização guloso e, portanto, uma versão rápida foram posteriormente desenvolvidos. A RVM tem uma forma funcional idêntica à máquina de vetores de suporte, mas esta fornece uma classificação probabilística.
Na verdade, equivale a um modelo de processo gaussiano com função de covariância:
com sendo a função kernel (geralmente gaussiana), são as variâncias do prior no vetor de peso , e são os vetores de entrada do conjunto de treinamento.
Comparada à das máquinas de vetores de suporte (SVM), a formulação bayesiana da RVM evita o conjunto dos parâmetros livres da SVM (que geralmente requer pós-otimizações baseadas na validação cruzada). No entanto, as RVMs utilizam um método de aprendizado semelhante à maximização de expectativas (EM) e, portanto, correm o risco de mínimos locais. Isso é diferente dos algoritmos padrão baseados em otimização mínima sequencial (SMO) empregados pelas SVMs, que garantem a busca de um ótimo global (do problema convexo).
A máquina de vetores de relevância foi patenteada nos Estados Unidos pela Microsoft onde expirou em 4 de setembro de 2019.
Referências
Categoria:Algoritmos de classificação Categoria:Aprendizagem de máquina