Pertinence Vector Machine: Aborder les lacunes SVM

Cette séance de cours couvre la Pertinence Vector Machine (RVM) comme une solution aux lacunes de la Support Vector Machine (SVM). RVM vise à fournir une solution clairsemée en réécrivant la solution SVM sous une forme linéaire. Il introduit une distribution préalable sur les paramètres pour éviter un surajustement et utilise une approche bayésienne pour estimer la vraisemblance du modèle. La procédure itérative pour le calcul des paramètres optimaux est discutée, ainsi que l'importance de la distribution antérieure à moyenne nulle. La séance de cours souligne la nécessité de traiter les faux positifs avec soin et met en évidence lincertitude encapsulée dans la distribution du modèle.