科研之友
微信
新浪微博
Facebook
分享链接
摘要
提出一种新的面向贝叶斯模式分类的判别学习方法,称作"带约束的最大间隔(CMM)方法"。通过计算正样本最小决策值和负样本最大决策值的差异,定义类别之间的类别间隔。基于该类别间隔和正确分类的约束,将间隔函数学习问题转化为最大化类别间隔问题。利用序列无约束最小化技术解决该非线性规划问题。运用CMM方法得到基于高斯混合模型的贝叶斯分类器,并在10个UCI数据集上进行实验。结果表明,利用CMM方法得到的分类器分类性能,明显优于代表性的生成式学习方法期望最大化(EM)和判别式学习方法支持向量机(SVM),并且在多个数据集上取得了相比之前最优结果更好的效果。分类实验和分类器对比实验证明,CMM方法有效,具有一定应用前景。
- 单位
