![](https://img-blog.csdnimg.cn/20201014180756928.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器学习
文章平均质量分 66
Tingella
这个作者很懒,什么都没留下…
展开
-
似然函数
似然函数的概念(源自:维基百科)在数理统计学中,似然函数是一种关于统计模型中的参数的函数,表示模型参数中的似然性。似然函数在统计推断中有重大作用,如在最大似然估计和费雪信息之中的应用等等。“似然性”与“或然性”或“概率”意思相近,都是指某种事件发生的可能性,但是在统计学中,“似然性”和“或然性”或“概率”又有明确的区分。概率 用于在已知一些参数的情况下,预测接下来的观测所得转载 2014-03-11 21:26:49 · 546 阅读 · 0 评论 -
PCA降维
转载请声明出处。by watkins songPCA的一些基本资料最近因为最人脸表情识别,提取的gabor特征太多了,所以需要用PCA进行对提取的特征进行降维。本来最早的时候我没有打算对提取的gabor特征进行降维,但是如果一个图像时64*64,那么使用五个尺度八个方向的gabor滤波器进行滤波,这样提取的特征足足有64*64*5*8这么多,如果图像稍微大一转载 2014-08-04 16:21:44 · 950 阅读 · 0 评论 -
LDA
阅读的相关资源:http://www.zhizhihu.com/html/y2012/3976.html原创 2014-08-04 10:00:20 · 481 阅读 · 0 评论 -
pageRank
PageRank,网页排名,又称网页级别、Google左侧排名或佩奇排名,是一种由搜索引擎根据网页之间相互的超链接计算的技术,而作为网页排名的要素之一,以Google公司创办人拉里·佩奇(Larry Page)之姓来命名。Google用它来体现网页的相关性和重要性,在搜索引擎优化操作中是经常被用来评估网页优化的成效因素之一。Google的创始人拉里·佩奇和谢尔盖·布林于1998年在斯坦福大学发明了转载 2014-08-03 16:21:02 · 928 阅读 · 0 评论 -
GMM混合高斯模型
高斯混合模型本文就高斯混合模型(GMM,Gaussian Mixture Model)参数如何确立这个问题,详细讲解期望最大化(EM,Expectation Maximization)算法的实施过程。单高斯分布模型GSM多维变量X服从高斯分布时,它的概率密度函数PDF为:x是维度为d的列向量,u是模型期望,Σ是模型方差。在实际应用中u通常用样本均值来代替,Σ通常用样本方转载 2013-11-09 18:22:35 · 1043 阅读 · 0 评论 -
极大似然 与 EM算法
在本博客中的一篇介绍贝叶斯转载 2014-08-03 15:28:22 · 1080 阅读 · 1 评论 -
TF-IDF
TF-IDF --->term frequency - inverse document frequency (词频--)原创 2014-08-03 20:05:10 · 661 阅读 · 0 评论 -
机器学习10大经典算法
1、C4.5机器学习中,决策树是一个预测模型;他代表的是对象属性与对象值之间的一种映射关系。树中每个节点表示某个对象,而每个分叉路径则代表的某个可能的属性值,而每个叶结点则对应从根节点到该叶节点所经历的路径所表示的对象的值。决策树仅有单一输出,若欲有复数输出,可以建立独立的决策树以处理不同输出。从数据产生决策树的机器学习技术叫做决策树学习, 通俗说就是决策树。决策树学习也是转载 2014-08-03 16:49:01 · 586 阅读 · 0 评论 -
朴素贝叶斯方法的应用实例----基于newsgroup文档集的贝叶斯算法实现
转载自:http://blog.csdn.net/v_july_v/article/details/7577684转载 2014-08-02 19:00:34 · 1220 阅读 · 0 评论 -
贝叶斯分类器
(1)什么是贝叶斯(2)贝叶斯的转载 2014-08-02 16:49:46 · 920 阅读 · 0 评论 -
(EM算法)The EM Algorithm
(EM算法)The EM Algorithm EM是我一直想深入学习的算法之一,第一次听说是在NLP课中的HMM那一节,为了解决HMM的参数估计问题,使用了EM算法。在之后的MT中的词对齐中也用到了。在Mitchell的书中也提到EM可以用于贝叶斯网络中。下面主要介绍EM的整个推导过程。1. Jensen不等式 回顾优化理论中的一些概念。设f是定义域为实转载 2014-03-11 21:28:12 · 438 阅读 · 0 评论 -
Co-variance
协方差的定义 对于一般的分布,直接代入E(X)之类的就可以计算出来了,但真给你一个具体数值的分布,要计算协方差矩阵,根据这个公式来计算,还真不容易反应过来。网上值得参考的资料也不多,这里用一个例子说明协方差矩阵是怎么计算出来的吧。记住,X、Y是一个列向量,它表示了每种情况下每个样本可能出现的数。比如给定则X表示x轴可能出现的数,Y表示y轴可能出现的。注意这里是关键,给定了4转载 2014-09-03 10:26:31 · 672 阅读 · 0 评论