![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器学习
文章平均质量分 74
guiwin
这个作者很懒,什么都没留下…
展开
-
机器学习概要1
模型的误差包括三个部分:偏差(bias),方差(variance)和噪声(noise)。模型的设计准则当模型本身过于复杂时,特征和类别之间的关系中所有的细枝末节都被捕捉,主要的趋势反而在乱花渐欲迷人眼中没有得到应有的重视,这就会导致过拟合(overfitting)的发生。反过来,如果模型过于简单,它不仅没有能力捕捉细微的相关性,甚至连主要趋势本身都没办法抓住,这样的现象就是欠拟合(...原创 2018-09-03 20:40:23 · 425 阅读 · 0 评论 -
机器学习概要2
19 | 非参数化的局部模型:K近邻基于实例的学习方法学的不是明确的泛化模型,而是样本之间的关系; k近邻算法是非参数的局部化模型,具有无需训练的优点,但分类新实例的计算复杂度较高; k 近邻算法的性能取决于超参数 k 的取值和距离的定义方式; 核方法和近邻算法都可以用于数据的概率密度估计。20 | 基于距离的学习:聚类与度量学习 聚类分析是一类描述模型,它将数据按照相似度分...原创 2018-09-10 20:33:45 · 297 阅读 · 0 评论 -
贝叶斯学派与频率学派
频率学派从「自然」角度出发,试图直接为「事件」本身建模,即事件A在独立重复试验中发生的频率趋于极限p,那么这个极限就是该事件的概率。图1:频率视角下的机器学习贝叶斯学派并不从试图刻画「事件」本身,而从「观察者」角度出发。贝叶斯学派并不试图说「事件本身是随机的」,或者「世界的本体带有某种随机性」,这套理论根本不言说关于「世界本体」的东西,而只是从「观察者知识不完备」这一出发点开始,构造一...原创 2018-07-06 09:41:05 · 606 阅读 · 0 评论 -
机器学习概要3
31 | 建模连续分布:高斯网络高斯网络采用高斯线性模型建模连续变量,其数字特征为均值向量和协方差矩阵; 高斯贝叶斯网络利用多元高斯分布生成独立图,利用信息矩阵计算网络中的条件概率; 高斯马尔可夫随机场具有成对马尔可夫性,通过高斯分布可以确定结点势和边势; 混合网络是同时具有离散型结点和连续型结点的概率图模型。32 | 从有限到无限:高斯过程高斯过程由无穷多个随机变量组成,定义...原创 2018-09-10 21:01:28 · 367 阅读 · 0 评论