机器学习中三个典型的非线性函数


1. sgn 函数
sgn(x)叫做x的符号函数。sgn是sign的缩写。
它的定义是sgn(x)= 1 (x>0); 
                0 (x=0); 
               -1 (x<0).

2. sigmoid 函数

3.  ReLU 函数

y=max(x,0)

这种函数的设计启发来自于生物神经元对于激励的线性响应,以及当低于某个阈值后就不再响应的模拟。

  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
PCA(Principal Component Analysis)是一种经典的降维方法,在机器学习被广泛应用。其原理是通过线性变换将高维特征空间的数据映射到低维特征空间,并且保留尽可能多的数据方差。PCA通过计算协方差矩阵的特征值和特征向量,得到各个主成分(即特征向量),然后根据选择的主成分个数进行特征投影,实现数据降维。 KPCA(Kernel Principal Component Analysis)是PCA的一种非线性扩展方法。KPCA使用核技巧,将数据映射到高维特征空间,在高维空间进行PCA操作。通过使用核函数计算内积,可以将非线性问题转化为线性问题。KPCA通过计算核矩阵的特征值和特征向量,得到非线性空间的主成分,并将数据投影到主成分上进行降维处理。 t-SNE(t-Distributed Stochastic Neighbor Embedding)是一种数据可视化和降维技术,主要用于发现数据的结构和聚类。t-SNE通过考虑相似度的概率分布来映射高维数据到二维或三维空间,保留数据之间的相对距离。t-SNE通过计算高维数据和低维映射数据间的相似度,利用梯度下降方法最小化两者之间的KL散度,从而得到低维空间的数据表示。 总结来说,PCA和KPCA是机器学习常用的降维方法,可以通过线性或非线性映射将高维数据降低到低维空间。而t-SNE主要用于数据可视化和聚类,能够保留数据之间的相对距离关系。这些方法都在机器学习起到了重要的作用,帮助我们处理高维数据和理解数据的结构。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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