- 博客(3)
- 资源 (1)
- 收藏
- 关注
RSS订阅转载 Coursera台大机器学习课程笔记7 -- Noise and Error
Coursera台大机器学习课程笔记7 -- Noise and Error 本章重点: 简单的论证了即使有Noise，机器依然可以学习，VC Dimension对泛化依然起作用；介绍了一些评价Model效果的Error Measurement方法。 一论证即使有Noisy，VC Dimension依然有效； 下图展示了主要思想，以前的数据集是确定的（Determini
2014-11-20 23:43:31
379
转载 Coursera台大机器学习课程笔记6 -- The VC Dimension
Coursera台大机器学习课程笔记6 -- The VC Dimension 本章的思路在于揭示VC Dimension的意义，简单来说就是假设的自由度，或者假设包含的feature vector的个数（一般情况下），同时进一步说明了Dvc和，Eout，Ein以及Model Complexity Penalty的关系。 一回顾 由函数B(N,k)的定义，可以得到比较松的
2014-11-20 23:42:56
456
转载 coursera台大机器学习基础课程学习笔记2 -- 机器学习的分类
总体思路： 各种类型的机器学习分类 按照输出空间类型分Y按照数据标记类型分yn按照不同目标函数类型分f按照不同的输入空间类型分X 按照输出空间类型Y，可以分为二元分类，多元分类，回归分析以及结构化学习等，这个好理解，离散的是分类，连续的是回归，到是结构化的学习接触的相对较少，以后有空可以关注下。 按照数据标记分可以分为： 监督；非监督；半监督；增强学习； 下面这
2014-11-20 23:33:43
353
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人