Bayesian Committee MachineNell'ambito dell'apprendimento automatico, una Bayesian Committee Machine (BCM) è un metodo, ideato da Volker Tresp, per combinare modelli di predizione addestrati su insiemi diversi di dati [1]. Sebbene una BCM possa essere applicata alla combinazione di qualsiasi tipo di stimatore, originariamente l'attenzione è stata rivolta principalmente alla regressione tramite modelli su funzioni di base prefissate, processi gaussiani ma è possibile l'estensione per comprendere altri modelli correlati, come le reti di regolarizzazione e le spline di smoothing, per i quali i gradi di libertà aumentano con il numero di dati di addestramento. È stato dimostrato come le prestazioni migliorino quando la BCM lavora contemporaneamente su diversi punti di test e sono ottimali se il numero di tali punti è almeno pari ai gradi di libertà dello stimatore. La BCM costituisce una soluzione per l'apprendimento online con potenziali applicazioni al data mining. Le idee alla base del metodo possono essere applicate al fine di estendere la combinazione di modelli anche in un contesto non bayesiano. Sono state proposte estensioni della BCM per grandi dataset, come la Generalized BCM [2] e la Sparse BCM [3]. Note
Voci correlateCollegamenti esterni
|
