![](https://img-blog.csdnimg.cn/20201014180756928.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器学习
linzhineng44
这个作者很懒,什么都没留下…
展开
-
Adaboost算法的前世今生
Adaboost算法的前世今生 引言 众所周知,模式识别的方法可以按照参与识别特征的属性来区分,可以分为两大类:一、使用定量特征(可度量)如物体长度、宽度等,来描述的各种模式,这一类主要是指决策理论,有匹配、统计、神经网络等方法;二、使用定性特征如特征结构、排列顺序等,来描绘的各种模式,这一类主要是指结构判别,主要有串和树的匹配等方法。 模式识别的完整的流程顺序是:传感器——分割组织——特转载 2014-09-29 16:56:50 · 3117 阅读 · 0 评论 -
Bias and Variance
一个模型的预测误差可以分别两个部分Bias和Variance: Error=Bias^2+Variance Bias刻画的是模型输出与目标输出的偏差。偏差越小,准确率越高 Variance刻画的是模型的稳定性,不同训练集训练得到的模型的差异。方差越小,模型越稳定。 Bias和Variance的图谱如下 红色圆心为目标输出,蓝色点为模型输出。 Bias和Variance对原创 2016-03-12 17:49:28 · 810 阅读 · 0 评论 -
underfitting and overfitting
过拟合(或者叫做高方差:high variance):简单的理解就是参数太多,训练集太少,过拟合的结果是训练误差会非常小,因为我们的参数很多,可以很好的拟合几乎所有的训练数据,但是,过拟合情况下,模型的泛化能力就很差,会导致测试误差比较大。(即使看到的训练误差很小,但是测试使用的时候效果很差 ==当一个算法在训练集表现优秀,但在测试集表现不佳)原创 2016-03-12 20:12:50 · 1653 阅读 · 0 评论