《机器学习》公开课——监督学习内容总结

最新推荐文章于 2021-07-08 14:45:48 发布
最新推荐文章于 2021-07-08 14:45:48 发布
阅读量626 收藏
点赞数 1
分类专栏： 机器学习算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/KinboSong/article/details/60955165
版权

线性回归，局部加权回归（也叫作核回归）

最小二乘法

梯度下降（最速下降）

逻辑回归

牛顿法

广义线性模型

softmax回归

生成学习模型、判别学习模型

GDA

朴素贝叶斯

神经网络

SVM


线性分类器：在高维空间中找到一超平面，将样本空间划分成两个或多个区域。

贝叶斯分类器：是一类以贝叶斯定理为基础的算法的总称。有些是线性分类器，有些则不是。

朴素贝叶斯分类器：是一类贝叶斯分类器，并满足下面朴素的定义。朴素：各个特征之间相互独立。


贝叶斯分类器 = 生成学习模型

高斯判别分析 属于贝叶斯分类器


songjinbo3
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
斯坦福大学公开课机器学习课程（Andrew Ng）二监督学习应用 梯度下降
一路前行
06-27 3214
监督学习应用 梯度下降
机器学习机试题及解析（一）
翻滚的老鼠屎
09-27 3356
1.随机数列要多长才能使数字7出现的概率至少为9/10? 答案：22. 解析： 初步分析,出现7的概率,包括1次 或者 2次 或者 3次 .,所以无法直接一步计算,我们利用对立事件转换,计算不出现7的概率来分析,有 随机数每一位出现数字7的概率为0.1,不出现数字7的概率为0.9  设随机数要x位才能使数字7出现的概率 至少0.9 1-0.9^x≥0.9 0.9^x≤0.1 xlg0.9≤-...
机器学习——有监督学习部分知识点梳理
修习之路
11-16 164
最近在做机器学习方向的课题，为了从基础开始做起，用半个月学习了一下李航的《统计学习方法》和周志华的《机器学习》，对机器学习这个领域有了初步的认识。 由于课题主要是基于有监督的学习，所以主要学习了两本书的前半部分，以下是一个简单的梳理。 至于其他部分，随着课题推进，自己的认知加深之后再来分享吧！ ...
有监督学习简介——阿里云课堂随堂笔记
qq_40127785的博客
07-08 426
有监督学习算法 有监督学习(Supervised learning)：利用一组已知类别的样本来训练模型，使其达到性能要求。 特点为输入数据（训练数据）均是一个明确的标识或结果（标签）。即我们提供样例”教“计算机如何学习。 分类：Classification 分类：就是通过已有的数据集（训练集）的学习，得到一个目标函数f（模型），把每个属性集x映射到目标属性y（类），且y必须是离散的（若y是连续的，则属于回归算法）。 通过对已知类别训练集的分析，从中发现分类规则，依次预测新数据的类型。 分类算法： 按原理分
举例理解监督学习、无监督学习、半监督学习和强化学习的区别
热门推荐
qq_33472146的博客
05-25 1万+
Machine learning机器学习是Artificial inteligence的核心，分为四类： 1、Supervised learning监督学习 是有特征（feature）和标签（label）的，即便是没有标签的，机器也是可以通过特征和标签之间的关系，判断出标签。举例子理解：高考试题是在考试前就有标准答案的，在学习和做题的过程中，可以对照答案，分析问题找出方法。在高考题没有给出答案的时...
如何区分监督学习(supervised learning)和非监督学习(unsupervised learning)
Duke__Lee的博客
08-26 1642
如何区分监督学习(supervised learning)和非监督学习(unsupervised learning) 机器学习的常用方法中，我们知道一般分为监督学习和非监督学习。（当然还有半监督） l 监督学习：监督学习，简单来说就是给定一定的训练样本（这里一定要注意，这个样本是既有数据，也有数据相对应的结果），利用这个样本进行训练得到一个模型（可以说就是一个函数），然后利用这个模型，将...
机器学习笔记1——监督学习
OnePisces博客专栏
03-29 697
笔记源自斯坦福大学公开课， 吴恩达教授的机器学习。大部分笔记内容源自讲义，少部分是自己的思考。个人理解不同，机器学习菜鸟，有理解不对的地方请参照原视频与讲义，也可以一起探讨，以上。
斯坦福大学公开课讲义机器学习2
05-04
### 斯坦福大学公开课讲义机器学习2：生成式学习算法 #### 一、引言 斯坦福大学公开课讲义机器学习2是一份关于机器学习领域的基础入门教材，主要聚焦于生成式学习算法（Generative Learning Algorithms）的介绍与...
coursera斯坦福机器学习公开课作业4（神经网络手写数字识别）
12-13
这个任务是通过Coursera上由斯坦福大学提供的机器学习公开课进行的，它是一个广受好评的学习资源，帮助学生掌握实际的机器学习技术。 首先，我们来了解“机器学习”这一概念。机器学习是人工智能的一个分支，它的...
应用机器学习（二）：k-NN 分类器
wong2016的博客
04-23 9837
本讲介绍 K- 近邻分类器的原理，并将它应用于著名的鸢尾花数据集分类。
数据科学猫：有监督学习的定义与模型
Orange_Spotty_Cat的博客
06-04 7055
简介有监督学习是与无监督学习相对应的概念。它是数据分析中最常见的建模形式。一句话解释版本：有监督学习知道预测的主体，它通过寻找并定义自变量（一堆属性，X）与因变量（预测目标，Y）之间的关系，以实现通过X预测Y的目的。数据分析与挖掘体系位置有监督学习的目的性很强。所以在数据分析与数据挖掘中，有监督学习与数据分析的关系更大；无监督学习与数据挖掘的关系更大。但是它们都是数据建模领域的知识。有监督学习在整...
Learning Theory（Error Theory） 学习笔记
KinboSong的博客
03-08 3347
1、样本复杂度、模型复杂度（model complexity）、泛化（generalization）能力 定义： 样本复杂度 = 样本的数量 模型复杂度：一般用参数的个数来表征 泛化能力：代表模型的预测能力，表征模型的好坏，用泛化误差来表示。 2、误差（error）、偏差（bias）、方差（variance） 定义：假设有很多组采样点，每组采样点都拟合一次模型，得到
机器学习算法简称汇总
KinboSong的博客
03-12 3155
LR：logistic regression（逻辑回归） LDA：linear discriminative analysis（线性判别分析） PCA：princical component analysis（主成分分析） EM：expectation maximum SMO：sequential minimal optimal（序列最小最优） NBC：naive Bayesian cl
概率图模型及序列标注
KinboSong的博客
03-14 1705
概率图模型是一类用图来表达变量相关关系的概率模型。以图作为表示工具，最常见的使用一个节点表示一个或一组随机变量，节点之间的边表示变量间的概率相关关系，即“变量关系图”。概率图模型大致分为两类： 1、贝叶斯网（Bayesian network）：使用有向无环图表示变量间的依赖关系，又称为信念网络（belief network）或者有向无环图模型； 2、 马尔科夫网（Markov network）
分类算法的评价标准
KinboSong的博客
03-15 1514
1、混淆矩阵 2、常用术语 （1）True Positives,TP：预测为正样本，实际也为正样本的特征数 （2）False Positives,FP：预测为正样本，实际为负样本的特征数（错预测为正样本了，所以叫False） （3）True Negatives,TN：预测为负样本，实际也为负样本的特征数 （4）False Negatives,FN：预测为负样本，实际为正样本的特征
机器学习及神经网络发展历程
KinboSong的博客
03-13 1125
“从样例中学习”、“在问题求解和规划中学习”、“通过观察和发现学习”、“从指令中学习” “归纳学习”、“类比学习”、“示教学习”、“机械学习” 归纳学习 = 从样例中学习：从训练样例中归纳出结果。 现在的学习方法用的方法都是归纳学习。 归纳学习分为下面3类： 连接主义：感知机、神经网络、深度学习； 符号主义：决策树； 统计学习：SVM；
EM算法及各种学习方法的比较
KinboSong的博客
03-10 884
1、判别学习模型、生成学习模型、贝叶斯统计与规则化、EM算法 判别学习模型、生成学习模型、EM算法：默认参数theta是固定值，根据抽样数据对参数做极大似然估计。 贝叶斯统计与规则化：默认参数theta是随机变量，计算theta的最大后验概率（Maximum a posterior，MAP)。 判别学习模型：
集成学习
KinboSong的博客
03-12 734
一、决策树： 1、决策树本质 2、ID3算法 3、C4.5 4、剪枝 二、随机森林      随机森林是一种多功能的机器学习算法，能够执行回归和分类、降维的任务。 优点： 综述：
斯坦福大学机器学习公开课：线性与逻辑回归解析
"这篇笔记详述了斯坦福大学公开课中关于机器学习的前四节内容，主要涵盖了线性回归和逻辑回归的概念以及回归问题在有监督学习中的应用。笔记作者通过对实际问题的引入，展示了如何利用回归方法进行预测，并探讨了...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值