- 博客(6)
- 收藏
- 关注
RSS订阅原创 《机器学习》读书笔记6
第六章 支持向量机6.1 间隔与支持向量在样本空间中，可通过划分超平面来进行分类学习。划分超平面可通过如下线性方程来描述：其中w=（w1；w2；...；wd）为法向量，决定了超平面的方向，b为位移项，决定了超平面与原点之间的距离。距离超平面最近的几个样本点被称为“支持向量”（support vector），两个异类支持向量到超平面的距离之和被称为“间
2017-08-28 16:03:54
1902
原创 《机器学习》读书笔记5
第五章 神经网络5.1 神经元模型 M-P神经元(neuron)模型：神经元接收到来自n个其他神经元传递过来的输入信号，这些输入信号通过带权重的连接进行传递，神经元接收到的总输入值将与神经元的阈值（threshold）进行比较，然后通过“激活函数”（activation function）处理以产生神经元的输出。激活函数通常为阶跃函数或者sigmoid函数。 把多个神经元按照一
2017-08-04 23:59:21
845
原创 《机器学习》读书笔记4
第四章 决策树4.1 基本流程决策树（decision tree）主要用于分类学习任务，决策树的生成是一个递归过程。 4.2 划分选择决策树学习的关键是如何选择最优划分属性。一般而言，希望随着划分不断进行，决策树的分支节点所包含的样本尽可能属于同一类别，即结点的纯度越来越高。可以用信息增益、增益率、基尼指数等指标来选择最优划分属性。 4.2.1 信息增益“信息熵”（
2017-07-18 17:03:37
500
原创 《机器学习》读书笔记3
第三章 线性模型线性模型主要用于回归，也可用于分类。 3.1 基本形式线性模型（linear model）试图学得一个属性的线性组合来进行预测的函数，即f(x)=w1x1+w2x2+。。。+wdxd+b用向量形式写成其中w={w1; w2; …; wd}。 线性模型主要用于回归任务，具有很好的可解释性，而且可通过层级结构和高维映射作为非线性模型的基础
2017-07-12 16:36:10
617
1
原创 《机器学习》读书笔记2
第二章 模型评估与选择2.1 经验误差与过拟合经验误差（empirical error）：指学习器在训练集上的误差期望。泛化误差（generalization error）：学习器在新样本上的误差期望。机器学习的目标是得到泛化误差小的学习器，然而很难，退而求其次，希望得到经验误差小的学习器，但是即使经验误差小，也不必然意味着泛化误差低，特别是如果学习器存在过拟合，则学习器的
2017-07-02 23:04:50
385
原创 《机器学习》读书笔记1
周志华《机器学习》，开学！第一章 绪论1.1 引言机器学习（ML）所研究的主要内容：是关于在计算机上从数据中产生“模型”（model）的算法，即“学习算法”（learning algorithm）。 1.2 基本术语数据集（data set）=示例（instance）/样本（sample）的集合，一个instance/sample具有多种“属性”（attribute
2017-07-01 10:23:08
733
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人