论文部分内容阅读
相关向量机（ RVM）是在稀疏贝叶斯框架下提出的稀疏模型，由于其强大的稀疏性和泛化能力，近年来在机器学习领域得到了广泛研究和应用，但和传统的决策树、神经网络算法及支持向量机一样， RVM不具有代价敏感性，不能直接用于代价敏感学习。针对监督学习中错误分类带来的代价问题，提出代价敏感相关向量分类（ CS-RVC）算法，在相关向量机的基础上，通过赋予每类样本不同的误分代价，使其更加注重误分类代价较高的样本分类准确率，使得整体误分类代价降低以实现代价敏感挖掘。实验结果表明，该算法具有良好的稀疏性并能够有效地解决代