本文是看图学机器学习系列的下篇，主要讲解了非线性基础函数如何解决低维非线性分类问题，通过引入支持向量机SVM的概念，阐述了如何将1维非线性问题转换为2维线性可分问题。
欢迎关注哈希大数据微信公众号《哈希大数据》
昨天介绍了看图学机器学习的前五个，今天我们继续学习！！！
6. Basis functions（基础函数）
非线性基础函数是如何将没有线性边界的低维分类问题转化为具有线性边界的高维分类问题。Andrew Moore的支持向量机SVM(Support Vector Machine)教程幻灯片中有：一个单维度的非线性带有输入x的分类问题转化为一个2维的线性可分的z=(x,x^2)问题。
7. Discriminative vs. Generative（判别性vs生成性）
为什么判别式学习比生成式学习更加简单：
PRML
下图这两类方法的分类条件的密度举例，有一个单一的输入变量
x
（左图），给出相应的后验概率（右图）。注意到在在左图中以蓝色线条表示的分类条件密度
最低0.47元/天 解锁文章
扫一扫
26
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
