machine learning
文章平均质量分 65
Nautilus_sailing
这个作者很懒,什么都没留下…
展开
-
贝叶斯学习
贝叶斯理论概述Brute-Force贝叶斯分类器两种概率学习算法 贝叶斯最优分类器朴素贝叶斯分类器EM算法与混合模型原创 2017-03-25 21:29:54 · 1247 阅读 · 1 评论 -
数据回归
线性回归 线性回归局部加权线性回归非线性回归 带非线性基的回归logistic回归欠拟合与过拟合一、线性回归 即最小化均方误差LMS,其中X(i)表示第i个样本。 梯度下降求解: 牛顿法求解 概率角度理解LMS 2. 局部加权线性回归二、非线性回归1. 带非线性基的回归2. logistic回归回归分析可用来分析一个/多个自变量与一个因变量的关系,模型中原创 2017-03-25 16:36:57 · 581 阅读 · 0 评论 -
概率统计回顾
概率统计回顾原创 2017-03-25 19:03:22 · 535 阅读 · 0 评论 -
sklearn基本用法
加载数据Data Loading数据归一化Data Normalization特征选择Feature Selection基本算法逻辑回归朴素贝叶斯KNN决策树SVM优化算法参数加载数据(Data Loading)数据集:pima-indians.data.csv“皮马印第安人糖尿病问题”作为测试数据集。其中包括768个患者的记录数据,每条记录的第一列为记录序号,后面跟着每条记录的7原创 2017-04-14 17:20:26 · 752 阅读 · 0 评论 -
稀疏表示与字典学习
一稀疏性表示与分类Sparse representation二压缩感知Compressed sensing三字典学习及应用Dictionary learning一、稀疏性表示与分类(Sparse representation) 二、压缩感知(Compressed sensing)如果信号在某一个正交空间具有稀疏性(即可压缩性),就能以较低的频率采样该信号,并可能以高概率精确的重建该信号。即原创 2017-04-21 20:12:44 · 16663 阅读 · 0 评论 -
SVM
一SVM概述二结构风险最小化三线性SVM四SVM求解五处理线性不可分问题六SVM训练算法一、SVM概述 通俗来讲,SVM是一种二类分类模型, 其基本模型定义为特征空间上的间隔最大的线性分类器, 即支持向量机的学习策略便是间隔最大化, 最终可转化为一个凸二次规划问题的求解。 二、结构风险最小化 三、线性SVM 四、SVM求解 五、处理线性不可分问题软间隔原创 2017-04-26 20:24:03 · 493 阅读 · 0 评论 -
线性回归与逻辑回归
一、线性回归问题概述线性回归要解决的问题是给一堆样本点X(m, n)和每个点对应的函数值Y(m,1)要求找到一个线性函数y=w1∗x1+w2∗x2+...+wn∗xn+b" role="presentation">y=w1∗x1+w2∗x2+...+wn∗xn+by=w1∗x1+w2∗x2+...+wn∗xn+by = w_1 * x_1 +原创 2018-02-02 22:29:19 · 413 阅读 · 0 评论 -
决策树
基本思想决策树是一种树形分类算法,首先根据样本集构造树形结构,其中树的每个非叶节点是一个特征,每个叶子节点是类别标签。有了这颗树后,对于给定样本x,就可以从树的根节点开始,根据其每个特征值选择不同分支,直到叶节点得到类别标签。决策树构造思想构造树的过程也就是根据特征值的不同组合将所有样本划分成不同组的过程,所以每个节点该选什么特征是核心问题。有以下几个概念:熵:衡量一个系统的...原创 2018-02-03 22:06:47 · 453 阅读 · 0 评论