Synopsis

Vi anskuer begge modeller fra en Bayesiansk synsvinkel og er tvunget til at benytte approximativ Bayesiansk behandling af indlæring af to grunde. Først fordi den fulde Bayesianske løsning ikke er analytisk mulig og fordi vi af princip ikke vil benytte metoder baseret p˚a sampling. For det andet, som understøtter kravet om ikke at bruge sampling er ønsket om beregningsmæssigt effektive modeller. Beregningmæssige besparelser opn˚as ved hjælp af udtyndning: udtyndede modeller har et stort antal parametre sat til nul. For RVM, som vi behandler i kapitel 2 vises at det er det specifikke valg af Bayesiank approximation som resulterer i udtynding. Probabilistiske modeller har den vigtige egenskab der kan beregnes prediktive fordelinger istedet for punktformige prediktioner. Det vises ogs˚a at de resulterende undtyndede probabilistiske modeller implicerer ikke-intuitive a priori fordelinger over funktioner, og ultimativt utilstrækkelige prediktive varianser; modellerne er mere sikre p˚a sine prediktioner jo længere væk man kommer fra træningsdata. Vi foresl˚ar RVM*, en modificeret RVM som producerer signifikant bedre prediktive usikkerheder. RVM er en specie