![](https://img-blog.csdnimg.cn/20201014180756738.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器学习
全站最菜QAQ
我是一只小菜鸡o(╥﹏╥)o
展开
-
SVM中核函数的理解
SVM中核函数的理解本文主要是对SVM核函数进行理解,并证明高斯核函数能将特征映射到无穷维。0 回顾SVM对偶形式如下:minα12∑i=1N∑j=1Nαiαjyiyj(xi,xj)−∑i=1Nαi\min \limits_{\alpha} \frac{1}{2} \sum\limits_{i=1}^N \sum\limits_{j=1}^N \alpha_i \alpha_j y_i ...原创 2019-08-04 18:40:17 · 382 阅读 · 0 评论 -
从熵到交叉熵损失函数的理解
文章目录从熵到交叉熵损失函数的理解说在前面熵(Entropy)相对熵(KL散度 Kullback-Leibler Divergence)交叉熵(Cross Entropy)机器学习中交叉熵的应用参考博客从熵到交叉熵损失函数的理解说在前面首先,热力学中的“熵”和我们要说的机器学习中的也就是信息学中的“熵”是不一样的。记得高中化学老说说过,熵越大说明状态越不稳定,气态的熵就大于固态的熵。但是现...原创 2019-07-27 16:24:17 · 257 阅读 · 0 评论 -
最大似然估计和EM算法
文章目录最大似然估计前言定义例子1例子2 正态分布总结EM算法本文是对最大似然估计和EM算法做的一个总结。一般来说,事件A发生的概率与某个未知参数θ\thetaθ有关,θ\thetaθ取值不同,则事件A发生的概率p(A∣θ)p(A|\theta)p(A∣θ)也不同。当我们在一次实验中事件A发生了,则认为此时的θ\thetaθ值应是t的一切可能取值中使p(A∣θ)p(A|\theta)p(A∣θ...原创 2019-07-27 16:31:24 · 642 阅读 · 0 评论