彼得·索利希 支持向量机的贝叶斯方法：证据和预测类概率。 （英语） Zbl 0998.68098号 机器。学习。 46，编号1-3，21-52（2002）. 摘要：我描述了一个框架，用于将支持向量机（SVM）解释为高斯过程先验推理问题的最大后验（MAP）解。这种概率解释可以为选择“好的”SVM核提供直观的指导。除此之外，它还允许贝叶斯方法用于解决SVM分类中的两个突出挑战：如何调整超参数——错误分类惩罚\（C\），以及指定内核的任何参数，以及如何获得预测类概率，而不是传统的确定类标签预测。超参数可以通过最大化证据来设置；我解释了如何定义和正确规范后者。讨论了估计证据的解析近似和数值方法（蒙特卡罗链）。我还比较了估计类别概率的不同方法，从MAP或后验平均值的简单评估到后验的完全平均。一个简单的玩具应用程序说明了各种概念和技术。 引用于25文件 MSC公司： 68T05型 人工智能中的学习和自适应系统 关键词：支持向量机 PDF格式BibTeX公司 XML格式引用 \textit{P.Sollich}，马赫。学习。46，第1-3、21-52号（2002年；兹bl 0998.68098） 全文： 内政部