【人工智能全栈学习】机器学习基础知识——传统机器学习（看完就全懂了）

最新推荐文章于 2023-07-17 15:45:49 发布

一拳Marx

最新推荐文章于 2023-07-17 15:45:49 发布

阅读量792

点赞数

分类专栏：人工智能文章标签：机器学习人工智能贝叶斯 SVM

本文链接：https://blog.csdn.net/liuyiming2019/article/details/122105052

版权

人工智能专栏收录该内容

23 篇文章 9 订阅

订阅专栏

本系列文章不可转载！！！

一、问题

本章问题导读，如果面试前以下题目还有不会的建议看本篇文章
1.写出朴素贝叶斯的公式，说出朴素贝叶斯的成立条件和优缺点
2.什么是超平面，超平面工作的原理
3.解释一下SVM分类的原则，SVM如何解决多分类问题
4.什么是函数间隔，什么是几何间隔，阐述 $\\|\omega\\|$ 的具体含义
5.核函数是什么，它的出现简化了什么操作，举一个核函数的例子
6.逻辑回归能不能用核函数

二、人工智能全栈学习系列课程

三、朴素贝叶斯

分类算法

在这里插入图片描述

朴素贝叶斯分类

在这里插入图片描述

朴素贝叶斯缺点：粗暴认为属性之间相互独立

在这里插入图片描述

优点：由于粗暴认为属性之间相互独立，当数据缺失的时候可以进行解耦。

四、SVM

SVM分类器原来这么简单！
在这里插入图片描述

SVM本质：线性分类器

在这里插入图片描述

支持向量

在这里插入图片描述

线性可分与线性不可分

在这里插入图片描述

超平面

定义：对于高维空间，无法用图画出，可将数据一分为二的平面
在这里插入图片描述

SVM依据原则：间隔最大化

在这里插入图片描述

分类超平面确定完全取决于支持向量

<注>不用太费力理解，就是简单的求距离，作者都是按最简单的进行大比方。

函数间隔

SVM系列第三讲–函数间隔和几何间隔
在这里插入图片描述

采用几何间隔

在这里插入图片描述

核函数

在这里插入图片描述

核函数到底是什么：巧妙地绕过了映射

在这里插入图片描述
是不是还看不懂，注意这是将新的点 $x_j$ 与老的点 $x_i$ 进行比较得出的结果，下面大佬举得例子更为形象:
核函数就是内积

会不会对核函数省去什么步骤还是不太理解，别急

‘linear’:线性核函数
‘poly’：多项式核函数
‘rbf’：径像核函数/高斯核
在这里插入图片描述

‘sigmod’:sigmod核函数
‘precomputed’:核矩阵
<问>逻辑回归能不能用核函数
逻辑回归不能用核函数
在这里插入图片描述

支持向量机避免了算 $\omega$ ，逻辑回归需要通过梯度下降计算 $\omega$
可以理解成SVM想先升维度再得到升维度后点的距离，核函数是直接得到升维度后点和点的距离