![](https://img-blog.csdnimg.cn/20201014180756923.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
学习报告
July_Wander
存在即合理,喜欢的话就坚持吧
展开
-
与机器学习学科的第一次接触
April 1~14 2018第一章 绪论 作者以人基于经验做出的预判出发,引申到机器学习是致力于研究计算机如何通过计算的手段,利用经验来改善系统自身的性能,让我大致了解了一下什么是“机器学习”;并进一步的通过挑选西瓜的经验为例,了解了关于机器学习的基本术语和概念等基础知识,最后简要的介绍了机器学习的发展历程及应用现状。机器学习的目标:使学得的模型能更好的适用于“新样本”...原创 2018-09-12 10:19:30 · 199 阅读 · 0 评论 -
第三章 线性模型
第三章 线性模型 回归任务 ---> 二分类任务 ---> 多分类任务. 如何使用线性模型进行回归学习? 线性回归线性模型形式简单、易于建模,但却蕴涵着机器学习中一些重要的基本思想.许多功能更为强大的非线性模型可在线性模型的基础上通过引入层级结构或高维映射而得。 对离散属性:1.若属性值间存在"序" 关系,可通过连续化将其转化为连续值;2...原创 2018-09-16 11:54:28 · 411 阅读 · 0 评论 -
第六章 支持向量机
第六章 支持向量机 分类学习 最基本的想法就是 基于训练集D在样本空间中找到一个划分超平面、将不同类别的样本分开。"支持向量":距离超平面最近的训练样本点使下联式的等号成立。 "间隔":两个异类支持向量到超平面的距离之和;对偶问题: 对支持向量机(简称SVM)使用拉格朗日乘子法可得到其对偶问题 核函数 在现实任务中,原始样本空间内也许并不存在一个能正...原创 2018-10-25 19:44:32 · 649 阅读 · 0 评论 -
第七章 贝叶斯分类器
第七章 贝叶斯分类器 贝叶斯决策论:概率框架下实施决策的基本方法;对分类任务来说,在所有相关概率都己知的理想情形下 ,贝叶斯决策论考虑如何基于这些概率和误判损失来选择最优的类别标记。贝叶斯判定准则: 为最小化总体风险,只需在每个样本上选择那个能使条件风险最小的类别标记。欲使用贝叶斯判定准则来最小化决策风险,首先要获得后验概率P(c|x)。 然而,在现实任务中这通常难以直...原创 2018-10-25 19:46:34 · 575 阅读 · 0 评论