- 博客(4)
- 资源 (3)
- 收藏
- 关注
RSS订阅原创 <机器学习练习>EM算法
一：EM算法介绍1）算法解释： Expectation-maximization algorithm，期望最大化算法。用于含有不可观察的隐形变量的，概率模型中，并利用参数最大似然估计。2）计算思想：因为模型包含隐含的变量，可以看作参数A，同样的对于要估计的其他参数可以看作B，知道B,可以给出求出A，同样的知道A，可以给出最优的参数B。EM算法就是，先假设已知参数B，然后求出A,再用求出的A，去得到
2016-05-31 00:23:10
1260
原创 <数值分析>学习笔记
说明：数值分析要考试了，把一些东西总结一下，留着以后看看，也加深理解一下。 1：直接求解：Gauss消去法，LU分解 2：迭代求解：jacobi，Gauss-Seidel ，超松弛法，共轭梯度法 3：特征值求解：幂法和反幂法LU 分解%%%LU 分解function [A]=lu_ijk(A)%Doolittle分解 以对角线为分界限 两次for循环 [n,n]=size(A)
2016-05-27 23:57:00
3781
1
原创 <机器学习练习>K-means聚类算法
1：思想 K-means，属于无监督学习。即输入数据没有标签y，经过一些算法后，找到标签y。 聚类的目的就是找到每个样本潜在的标签y，并将同类别的样本放到一起。 而k-means聚类：就是把n个点（可以是样本的一次观察或一个实例）划分到k个聚类中，使得每个点都属于离他最近的均值（此即聚类中心）对应的聚类，以之作为聚类的标准。2：缺点 1)聚类数量k，需要输入。选择不恰当，聚类结果很糟糕
2016-05-25 01:01:21
3240
原创 <机器学习练习>高斯判别分析GDA
解释：高斯分界面的等式成立可以这样理解：对于任意一点x，其出现在y=0和y=1的两类概率相等。clear;clc%%随机生成一组高斯数据mu1=[2,2,3];sigma=[1,0,0;0,2,0;0,0,3];x0=mvnrnd(mu1,sigma,200);y0=zeros(length(x0),1);plot3(x0(:,1),x0(:,2),x0(:,3),'ro');hol
2016-05-24 19:39:06
1769
CRF++-0.58.tar.gz.zip
2019-06-28
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人