- 博客(14)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 南瓜书公式详解------第十四章-1（贝叶斯网络、概率图模型）
概率图模型（Probabilistic Graphical Model，PGM）是一组用于表示和计算多个随机变量之间复杂关系的模型。这些模型利用图论中的节点和边来表示变量及其条件依赖关系，从而简化了概率推理和学习任务。以下是概率图模型的一些关键概念和类型：节点（Nodes）：表示随机变量，可以是离散的或连续的。边（Edges）：表示变量之间的依赖关系。如果两个节点之间有直接的边相连，这意味着它们之间存在直接的概率依赖。图（Graph）：由节点和边组成的整体结构，可以是无向的或有向的。有向图（Directed
2024-08-19 14:30:08
606
原创 南瓜书公试详解------第十一章（特征选择）
式11.1（信息增益）Gain(A)=Ent(D)−∑v=1V∣Dv∣∣D∣Ent(Dv)\operatorname{Gain}(A)=\operatorname{Ent}(D)-\sum_{v=1}^{V} \frac{\left|D^{v}\right|}{|D|} \operatorname{Ent}\left(D^{v}\right)Gain(A)=Ent(D)−v=1∑V∣D∣∣Dv∣Ent(Dv)这个公式是信息增益（Information Gain）的计算公式，它是决策树算法中用来
2024-08-16 16:50:11
684
原创 南瓜书公式详解--------第一章绪论（1个公式）
的表达式，通常称为“离线期望”（Out-of-Time Expectation），在机器学习中，特别是在评估模型的泛化能力时使用。这个公式可能在讨论集成学习、强化学习或其他需要评估模型在未知数据上表现的场景中出现。：这是对所有不在数据集 $X $中的样本 $\boldsymbol{x} $的求和，其中 $\mathcal{X} $表示所有可能的样本空间。在该样本上的预测不一致的概率，然后对所有这些概率进行加权求和，其中权重是样本。：这是在给定数据集 $X $和模型 $f $的情况下，对于某个损失函数。
2024-08-15 13:37:47
893
原创 termux permission denied错误
错误通常是因为 Android 系统的权限限制，特别是从 Android 8.0（API 级别 26）开始，对。用户: termux Permission denied: ‘/proc/stat’目录的访问受到了限制。Kimi: 在 Termux 环境中遇到。
2024-08-14 19:14:49
526
2termux 0.118.0版本还原包
2024-08-15
Matt Pietrek's PE Tutorial.chm
2010-04-09
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人