机器学习[李宏毅]-笔记5-Classification

最新推荐文章于 2024-10-10 12:45:12 发布
最新推荐文章于 2024-10-10 12:45:12 发布
阅读量126 收藏
点赞数
分类专栏： 机器学习 学习笔记 文章标签： 机器学习
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/greenmoss/article/details/108165858
版权

本节课程幻灯片链接

目录

1.分类的实际应用

在这里插入图片描述
在这里插入图片描述

  • 分类的一些实际应用；

在这里插入图片描述

2.用回归的思路解决分类问题

在这里插入图片描述
在这里插入图片描述

  • 右图中，由于存在右下角这些点，且蓝色点的目标是y值越接近1越好，会导致矫枉过正；
  • 如果是绿色的线，则右下角的点得到的y值远大于1；所以最终会得到紫色的线，但绿色的线才是最理想的；
  • 如果将回归的思路用于将样本分为多类，以1，2，3…来表示不同类别，则会导致第1类与第2类比第1类与第3类数值上更为接近，但与实际意义不符；

在这里插入图片描述

  • 改进后的模型；

3.生成模型（Generative Model）

在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

3.1 多元高斯分布

在这里插入图片描述
在这里插入图片描述

  • 多元正态分布（高斯分布）见链接

3.2 用极大似然估计求参数

在这里插入图片描述
在这里插入图片描述

3.3 分类的结果

在这里插入图片描述
在这里插入图片描述

3.4 通过共用协方差矩阵来改进模型

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述

3.5 生成模型的一般步骤

在这里插入图片描述

3.6 不同的概率分布

在这里插入图片描述

3.7 后验概率的数学推导

在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

greenmoss
关注
专栏目录
[机器学习入门] 李宏毅机器学习笔记-5（Classification- Probabilistic Generative Model；分类：概率生成模型）
Holeung blog
06-04 6843
[机器学习] 李宏毅机器学习笔记-5（Classification: Probabilistic Generative Model；分类：概率生成模型）ClassificationHow to do ClassificationIdeal Alternatives Gaussian Distribution Probability from Class 那么怎样找到这个Gaussion f
李宏毅机器学习课程5~~~分类：逻辑回归
jiandanjinxin的专栏
07-30 1929
Function Set不同的w，b来确定不同的函数，这样就组成了函数集合，不同的w，b可以来表达不同的分布函数。Good of a Function 变换表达形式两个Bernoulli distribution的交叉熵。所谓交叉熵，是用来刻画两个分布的相似性。在这里，交叉熵可以理解为真实分布与预测分布的相似度。同分布的话，交叉熵是0Finding the best Function上式表明预测
李宏毅机器学习 Classification
herosunly的博客
05-21 6226
  Classification:Probabilistic Generative Model，本节课讲的是基于概率生成模型的分类。   分类任务本质上是找到一个函数，函数的输入是输入数据，输出是类别。应用范围比较广，例如信用卡评分、医学诊断、手写数字识别、人脸识别等等。   下图是对不同的宠物小精灵划分类别，如火系、冰系、草系等等。 下图是给定了一些宠物小精灵的特征，然后去预测它的类别。 ...
李宏毅机器学习课程笔记2：Classification、Logistic Regression、Brief Introduction of Deep Learning
热门推荐
徐子尧的博客
03-29 1万+
台湾大学李宏毅老师的机器学习课程是一份非常好的ML/DL入门资料，李宏毅老师将课程录像上传到了YouTube，地址：NTUEE ML 2016 。 这篇文章是学习本课程第4-6课所做的笔记和自己的理解。Lecture 4: Classification: Probabilistic Generative Model以根据宝可梦各属性值预测其类型为例说明分类问题。 训练数据是若干宝可梦的各属性值及
李宏毅机器学习课程笔记5：Unsupervised Learning - Linear Methods、Word Embedding、Neighbor Embedding
徐子尧的博客
02-11 7249
台湾大学李宏毅老师的机器学习课程是一份非常好的ML/DL入门资料，李宏毅老师将课程录像上传到了YouTube，地址：NTUEE ML 2016 。 这篇文章是学习本课程第13-15课所做的笔记和自己的理解。Lecture 13: Unsupervised Learning - Linear Methods Unsupervised Learning有两种，化繁为简（Clustering & Dim
机器学习李宏毅学习笔记1
weixin_46722934的博客
05-04 443
学习李宏毅老师机器学习
李宏毅机器学习笔记-transformer
夏之微风的博客
09-23 587
transformer是什么呢？是一个seq2seq的model。具体应用如上图所示，输入和输出的序列长度不固定，由model自己决定。语音翻译指的是，直接输入一段语音信号，例如英文，输出的直接是翻译之后的中文。seq2seq如今已经是一个应用非常广泛的模型，可以应用于NLP的各种任务，如语义分析，语义分类，聊天机器人等。另外还有个值得说明的功能是做。。和是完全不一样的，一个是多分类，另一个是一个样本可以有多个标签。但是多标签的问题，可以用seq2seq模型来解决。
机器学习 - 李宏毅笔记
weixin_42010722的博客
01-14 1263
李宏毅机器学习笔记1.机器学习简介1.1 机器学习项目流程1.1.1 找到未知函数1.1.2 定义训练损失函数1.1.3 优化2.机器学习攻略指南（实现一个好的模型）2.1 判断训练集loss过大还是过小2.1.1 如果train loss过大，如何判断是model bias还是optimize issue2.1.2 model bias解决方法2.1.3 Optimization issue解决方法2.1.4 Optimization优化器训练技巧：Batch与Momentum2.2 判断测试集loss过
李宏毅-2023春机器学习 ML2023 SPRING-学习笔记：3/3 机器学习基本概念介绍
Transfattyacids的博客
04-22 835
机器学习 ≈ 机器自动寻找一个函数f例如：chatGPT：输入：“什么是机器学习”通过函数f，输出：“机”Midjournery：输入：一只可爱的猫，通过函数f，输出：一张猫猫图片Regression（回归）与Classification（分类）Regression：函数的输出是一个数值例如：输入输入今天的PM2.5值、温度、臭氧量等，输出明天的PM2.5值Classification：函数的输出是一个类别（选择题）例如：判断一封邮件是否为垃圾邮件。
2021李宏毅机器学习笔记--5 classification分类
guoxinxin0605的博客
05-09 437
2021李宏毅机器学习笔记--5 classification分类1 摘要2 分类步骤2.1 model（function）2.2 loss2.3 best3 小结与展望 1 摘要 本文主要介绍classification分类，分类是指这样一个函数，输入一个对象x，经过函数之后的输出是这个对象属于哪个类别，比如医疗诊断，把一个病人的年纪性别症状等进行输入，它的输出是具体的哪一种病，比如信用卡借贷系统，把一个人的年纪，收入，职业等输入，输出是=的是系统判定的能否借钱。值得注意的是，在分类函式中，类别是事先已
李宏毅机器学习笔记
m0_69646701的博客
08-15 512
记录学习李宏毅机器学习的过程，方便知识点的梳理。
李宏毅老师《机器学习》课程笔记-5 Transformer
宁萌Julie的博客
06-05 1236
详细介绍大名鼎鼎的 Transformer 。
机器学习[李宏毅]-笔记6-Logistic Regression
greenmoss的博客
09-02 238
本节课程幻灯片链接 目录
机器学习-李宏毅-Lecture0-Introduction课程笔记
兰陵鸡王的博客
01-02 254
链接 video pdf AI ML DL关系 人工智能（AI）是我们要追求的目标。 机器学习（ML）是使用的手段，指机器通过学习可以和人一样聪明。 而深度学习（DL）是机器学习中的一种方法，指很多层网络叠加起来。 如下图所示。 Why ML？ 使用规则可以解决一部分问题，但是难以考虑到所有的情况，永远无法超越创造者，没有freestyle。 What is ML? 机器学习其实所做的就是寻找一...
《机器学习》周志华-CH10（降维与度量学习）
一名混沌的大学生
10-07 781
仅是得到了训练样本在低维空间的坐标，对于新样本，将高维空间坐标作为输入，低维空间坐标作为输出，训练一个回归学习器来对新样本的低维空间坐标进行预测。利用流形在局部上与欧氏距离同胚这个性质，计算两点之间测地线距离的问题，就转变为计算近邻连接图上两点之间最短路径问题。在高维情形下出现的数据样本稀疏、距离计算困难等问题，是所有机器学习方法共同面临的困难，称为“若直接使用线性降维方法对三维空间观察到的样本进行降维，则将丢失原本的低维结构。对正交属性空间中的样本点，如何用一个超平面对所有样本进行表达？
基于模型的强化学习方法4大类灌水范式
最新发布
小小何先生的学习之旅
10-10 562
我们都知道基于模型的强化学习，就是从数据中学一个环境模型。举个例子，我们要控制一个马达，输入就是电流，输出就是转速。无模型强化学习就是随机采样，然后从数据中直接学习输入到输出的影射，研究重心在如何高效学习。基于模型的强化学习，希望从输入输出中学习一个马达的状态转移模型，然后智能体和这个模型交互。这里面有什么问题呢？问题就在于，这个模型一定会有误差。即使用数据去学习一个二次函数，也会有误差。如上图所示。
多模态大语言模型（MLLM）-Blip2深度解读
Jamence的博客
10-07 1391
Blip2深度解读
AI学习指南深度学习篇-生成对抗网络（GAN）简介
俞兆鹏的博客
10-08 1985
在人工智能领域，深度学习的进步使得计算机可以生成图像、音频和文本等多种形式的数据。其中，生成对抗网络（GAN）作为一种强大的生成模型，向我们展示了计算机如何“创造”。本篇文章将系统地介绍生成对抗网络的背景、基本原理以及它在深度学习中的重要性，重点讨论在图像生成、风格迁移等领域的实际应用。
李宏毅-2023春机器学习
08-10
5. 非欧几里得几何和异构结构的数据分析：随着对复杂网络和图数据的理解加深，相关的机器学习方法将得到进一步探索。 6. 泛化能力和可解释性：如何让模型不仅准确预测，还能给出合理的解释，将成为研究的重要方向。
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