GDA和Logistic方法的区别及相应的matlab代码

最新推荐文章于 2021-03-17 08:43:58 发布
最新推荐文章于 2021-03-17 08:43:58 发布
阅读量1.2k 收藏 1
点赞数
分类专栏： Machine Learning
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/WYL2724/article/details/47423323
版权
本文探讨了GDA（高斯判别分析）与Logistic方法在假设、适用范围上的差异。GDA假设输入特征服从多元高斯分布，适合连续特征，而Logistic方法更为灵活，适用于更多分布类型。当特征符合高斯分布时，GDA可能提供更准确结果，但Logistic因鲁棒性更强而应用更广泛。文章还提及了两种方法的分类原理，并通过MATLAB实现进行实战学习。
摘要由CSDN通过智能技术生成

由Ng的视频和讲义中可以总结出GDA方法的优劣和适用范围，然后再利用matlab进行编程，进行实战学习

GDA方法与Logistic方法的主要区别在于这两个模型的假设不同：

GDA方法假设很强：p(x|y)服从多元高斯分布，并且输入特征是连续的；

Logistic方法并没有GDA那么强的假设：它既没有要求p(x|y)服从多元高斯分布，也没有要求

最低0.47元/天 解锁文章
抓小偷的贼
关注
专栏目录
GDA产生式算法Matlab代码（带高光谱文件IndianaPines.mat）
09-06
我班牛人用产生式算法（GDA）原理编写的Matlab代码，最后生成把地物分成200类后的图片，并且上色，很直观。
GDA 和logistic回归的联系
EteYogix
07-16 1128
上篇博文中的GDA算法中，如果我们把p(y=1|x)整理变形一下，就能得到 这是logistic回归的h函数。 实质上，当我们假设p(x|y)服从正态分布时，p(y=1|x)必然是logistic函数，但反过来不成立，也就是说，前者是更强的假设，当我们对问题做更强的假设时，往往就能更精确地找到问题地解，当然前提时假设正确。或基本正确。 更一般地，只要我们对p(x|y)的建模属于GLM指数分布
斯坦福机器学习笔记1：GDA高斯判别分析算法的原理及matlab程序实现
Bazinga521的博客
07-28 2673
用matlab实现matlab原理编程
GDA
木工南的博客
09-08 804
GDA
机器学习--生成学习算法之GDA
jmhIcoding
03-11 1549
gda.zip_matlab例程_matlab_
08-10
综上所述，"gda.zip"文件提供的MATLAB例程可能是一个实现KLDA算法的完整示例，帮助用户理解和应用这种强大的机器学习工具。通过学习和理解这个例子，你可以进一步提升在非线性数据分类上的技能。
convMGA94(Lat,Long):GDA94 经纬度到 MGA94-matlab开发
05-30
本文将深入探讨“convMGA94”这个由Matlab开发的工具，它专门用于将GDA94（澳大利亚地心坐标系统1994）的经纬度转换为MGA94（澳大利亚地图网格系统1994）的东向（Eastings）和北向（Northings）坐标。 GDA94，全称...
matlab求导代码-The-Geometric-Dynamics-Algorithm-GDA-:一系列用于计算串行链接机器人的动力学矩阵的算
05-24
《MATLAB求导代码——The Geometric Dynamics Algorithm (GDA)：开源的串行链接机器人动力学矩阵计算方法详解》 在机器人学领域，动力学分析是研究机器人运动及其能量转换的重要部分。对于串行链接机器人，理解并...
AdaBoost:AdaBoost，弱分类器：GDA、Knn、朴素贝叶斯、线性、SVM-matlab开发
05-29
AdaBoost Demo，带有各种... GDA 2. Knn (NumNeighbors = 30) 3. 朴素贝叶斯4. 线性（逻辑回归*） 5. SVM ('KernelFunction: rbf') 参考： https : //www.iist.ac.in/sites/default/files/people/in12167/adaboost.pdf
基于核函数的GDA算法
03-21
可实现基于核函数的GDA算法，通过一个iris数据集实现分类演示。
核Fisher判别分析法（多分类gda）
04-09
多分类核Fisher判别分析法，里面我给了一个例子，用的是鸢尾花数据集，四维三类，降到二维，核函数有高斯核，线性核，多项式核等，需要自取
GDA分析工具
07-17
GDA是一款强大而轻便的交互式反编译器，也是一款综合性逆向分析利器， 本软件具有分析速度快、体积小、内存占用少等优点。 软件无需安装java环境和android环境就可以使用，支持分析apk，dex，odex，oat类型文件， 工具不依赖于任何第三方工具库(adb除外)， 所有功能采用C++编写而成，作者独立完成了该工具所有代码的编写，其中包含反编译引擎、apk壳检测引擎、恶意行为检测引擎 工具特色： 1.独立于java和android sdk，无需任何配置即可用，也无需安装java和android sdk。 2.可以解析加过壳的Dex,并且可以有效绕过各种字节码陷阱、类型混淆以及anti-disassembling和anti-decompiling技术。 3.完全使用c++编写，快速解析dex、apk和OAT，odex转dex，OAT转DEX。 4.直接修改DEX文件的smali指令，无需反编译。 5.可修改DEX文件中的字符串(支持中文) 6.改进优化的xml解析器（可解析加壳处理过xml），支持过滤显示功能 7.快速dump设备内存，另外提供有内存模块过滤功能。 8.针对字符串、方法、类、域等关键信息提供了强大的搜索、交叉引用。 9.提供了基于包过滤的引用字符串查看 10.还算友好的smali阅读界面，支持反编译伪代码（F5），伪代码(字符串、方法)交叉引用（X），支持可疑行为扫描，支持系统API查看等等。
高斯判别分析 matlab,机器学习导论（5）–GDA高斯判别模型
weixin_36254564的博客
03-17 332
引言之前介绍过分类方法使用最小二乘法或者Logistic回归实现分类，通过直接给定相应的预测函数实现数据的划分，例如预测函数在二分类中的实现就是一条直线之类。接下来对于给定的测试样本特征X,直接判定其是在直线的左边还是右边，从而实现对样本的分类。上面的描述的都是属于判别学习分析，区别于判别学习分析，今天需要介绍的是生成学习算法，生成学习算法是先对给定的训练样本(正样本与负样本)建立相应的模型，然后...
生成学习算法.高斯判别分析(GDA).GDA与Logistic模型
Cheese的博客
08-13 9911
《Andrew Ng 机器学习笔记》这一系列文章文章是我再观看Andrew Ng的Stanford公开课之后自己整理的一些笔记，除了整理出课件中的主要知识点，另外还有一些自己对课件内容的理解。同时也参考了很多优秀博文，希望大家共同讨论，共同进步。
高斯判别分析(GDA,Gaussian discriminant analsis)和Logistic回归
JasonQ的专栏
11-26 2031
高斯判别分析与Logistic回归之间是有一定关系的，通过公式转换，我们能够把高斯判别分析的公式转换为Logistic回归公式。但是高斯判别分析与Logistic回归之间有什么关系呢？
高斯判别分析（GDA）Python代码
戴璞微的学习之路
08-08 3735
概要 本篇博客主要是高斯判别分析（GDA）的Python代码。对于GDA的理论讲解请移步我的另一篇博客：斯坦福机器学习笔记（三）—— 高斯判别分析。 GDA Python代码 #!/usr/bin/env python # -*- coding: utf-8 -*- # @Time : 2018/8/812:56 # @Author : DaiPuWei # E-Mail...
gda算法numpy代码复现
最新发布
05-15
GDA算法即为高斯判别分析算法，是一种机器学习方法，旨在通过对样本数据的高斯分布进行分析，对数据进行分类。在代码实现方面，可以使用Python的numpy库来进行复现。 首先，我们需要构建一个符合高斯分布的数据集。假设我们要生成两个类别的数据，每个类别包含100个样本，每个样本有两个特征，可以使用如下代码： import numpy as np mean1 = np.array([0, 0]) mean2 = np.array([1.5, 1.5]) cov = np.array([[1, 0.5], [0.5, 1]]) data1 = np.random.multivariate_normal(mean1, cov, 100) data2 = np.random.multivariate_normal(mean2, cov, 100) 将数据集分为训练集和测试集，并计算每个类别的先验概率、均值和协方差矩阵： train_X = np.vstack((data1[:70], data2[:70])) train_y = np.vstack((np.zeros((70, 1)), np.ones((70, 1)))) test_X = np.vstack((data1[70:], data2[70:])) test_y = np.vstack((np.zeros((30, 1)), np.ones((30, 1)))) p1 = len(train_X[train_y == 0]) / len(train_X) p2 = len(train_X[train_y == 1]) / len(train_X) mean1 = np.mean(train_X[train_y == 0], axis=0) mean2 = np.mean(train_X[train_y == 1], axis=0) cov1 = np.cov(train_X[train_y == 0].T) cov2 = np.cov(train_X[train_y == 1].T) 计算协方差矩阵在GDA算法中很重要，需要注意对每个类别单独计算。接下来，定义GDA分类器： def gaussian(x, mean, cov): d = len(mean) dev = x - mean return (1.0 / (np.sqrt((2 * np.pi) ** d * np.linalg.det(cov)))) * np.exp(-0.5 * np.dot(np.dot(dev.T, np.linalg.inv(cov)), dev)) def predict(x): g1 = np.log(p1) + np.log(gaussian(x, mean1, cov1)) g2 = np.log(p2) + np.log(gaussian(x, mean2, cov2)) return int(g1 < g2) 对于一个测试集中的样本，输入到predict函数中即可以得到预测的类别。在测试集上计算分类正确率： correct = 0 for i in range(test_X.shape[0]): if predict(test_X[i]) == test_y[i]: correct += 1 accuracy = correct / test_X.shape[0] print('Test Accuracy:', accuracy) GDA算法的代码实现也可以通过sklearn库中的GaussianNB类来实现，但通过自己的代码实现可以清晰地了解算法原理。
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