Reconhecimento de Padrões: Uma Comparação Entre Máquinas de Vetores de Suporte e Máquinas de Vetores de Relevância

Abstract

Este trabalho trata da comparação entre os classificadores máquinas de vetores de suporte (support vector machines, SVM) e máquinas de vetores de relevância (relevance vector machines, RVM). Dois conjuntos de dados gerados a partir da biblioteca numpy, um definido previamente e outro gerado de forma aleatória. A partir dos conjuntos de dados é realizado o treinamento dos classificadores, no SVM usando classificação de vetores de suporte (support vector classification, SVC) e RVM usando classificador de vetores de relevância de maximização de expectativa (expectation-maximization relevance vector classifier, EMRVC), ambos testados com os seguintes kernels: RBF, polinomial, sigmoid e linear. A contribuição principal deste trabalho encontra-se na observação das vantagens e desvantagens do uso de cada classificador. Dado que, o modelo RVM é bayesiano, ele pode fornecer propriedades a posteriori, porém, cada classificador tem seu uso específico.