![](https://img-blog.csdnimg.cn/20201014180756913.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器学习
文章平均质量分 66
墨色为著
时间的流速并非每个人都相等
展开
-
哈工大 机器学习 复习总结
决策树 例子:税务欺诈检测问题 决策树可以表示输入属性的任何函数 注意决策树的泛化能力 同一个训练数据集,可以有多棵决策树与其一致 下面介绍如何构造最优的决策树:Top-Down的决策树归纳算法 每一个内结点可以看成用来分离数据集的属性,我们需要找到分离效果最好的属性并且作为决策属性赋值给当前结点 为每一个取值创建一个儿子结点,把相应的训练样本分到叶结点 如果训练样本被很好的分...原创 2018-11-14 17:52:57 · 3735 阅读 · 0 评论 -
哈工大机器学习复习(二)
概率论 利用概率量化机器学习任务在推理中遇到的不确定性 样本空间S-所有可能的结果(可以是有限或无限的) 事件A-S的任一子集 公理化概率论定义: 0≤P(A)≤1 P(ϕ) = 0 P(S) = 1 P(A U B) = P(A) + P(B) – P(A ∩ B) 随机变量是将一个唯一的数值X(ω)与实验的每一个结果ω∈S关联起来的函数。 用的最多的还是高斯分布,密度函...原创 2018-11-14 17:57:02 · 1642 阅读 · 0 评论 -
哈工大机器学习 复习(三)
分类理论与非参数分类器 多维高斯: 分类区:P(X|Y) 图示: 贝叶斯Error 我们需要计算出错的概率:将样本分配给错误类的概率。 上图中对应于类别的先验,L1和L2对应误差区域,是概率密度,实线代表贝叶斯决策边界。 贝叶斯误差是分类误差概率的下界。 贝叶斯分类器是理论上最好的分类器,可以最大限度地减少分类错误的概率。 但是计算贝叶斯误差往往是一个复杂的问题,因为要进...原创 2018-11-14 17:59:55 · 1073 阅读 · 0 评论 -
哈工大 机器学习 复习(四)
贝叶斯分类器,条件独立性和朴素贝叶斯 答疑问题一:我们需要估计多少个参数?这些参数的个数与什么有关?可以使用贝叶斯定理减少参数的个数吗? 朴素贝叶斯 朴素贝叶斯假设,也就是说,对于所有i≠j,给定Y,和是条件独立的。 条件独立性 朴素贝叶斯使用这样的假设:给定Y,是条件独立的。 有了这个假设, 描述和需要多少参数?(分为有没有条件独立性假设的两种情况) 贝叶斯定理: ...原创 2018-11-14 22:26:31 · 1690 阅读 · 0 评论