- 博客(7)
- 收藏
- 关注
RSS订阅原创 机器学习支持向量机总结
原理：SVM学习的基本想法是求解能够正确划分训练数据集并且几何间隔最大的分离超平面。如下图所示， w·x+b=0 即为分离超平面，对于线性可分的数据集来说，这样的超平面有无穷多个（即感知机），但是几何间隔最大的分离超平面却是唯一的。适用范围：二分类优点:SVM是一种有坚实理论基础的新颖的适用小样本学习方法。它基本上不涉及概率测度及大数定律等，也简化了通常的分类和回归等问题 计算的复杂性取决于支持向量的数目，而不是样本空间的维数，这在某种意义上避免了“维数灾难”。 少数支持向量决定了最..
2021-07-29 23:13:24
400
原创 机器学习支持向量机总结
原理：SVM学习的基本想法是求解能够正确划分训练数据集并且几何间隔最大的分离超平面。如下图所示， w·x+b=0 即为分离超平面，对于线性可分的数据集来说，这样的超平面有无穷多个（即感知机），但是几何间隔最大的分离超平面却是唯一的。适用范围：二分类优点:SVM是一种有坚实理论基础的新颖的适用小样本学习方法。它基本上不涉及概率测度及大数定律等，也简化了通常的分类和回归等问题 计算的复杂性取决于支持向量的数目，而不是样本空间的维数，这在某种意义上避免了“维数灾难”。 少数支持向量决定了最..
2021-07-29 23:08:20
142
原创 机器学习神经网络总结
原理：人工神经网络是基于称为人工神经元的连接单元或节点所构成的集合，这些单元或节点松散地模拟生物大脑中的神经元。像生物大脑中的突触一样，每个连接可以将信号从一个人工神经元传输到另一个人工神经元。接收信号的人工神经元可以对其进行处理，然后向与之相连的附加人造神经元发出信号。从本质上来讲，它是通过一个复合函数f去逼近目标函数f*的值的算法。适用范围：非线性、对数据的基本关系不做任何假设。步骤：1.搭建基本模块——神经元。先将两个输入乘以权重（weight）：x1→x1 × w1 x2→x2 ..
2021-07-25 22:10:37
496
原创 机器学习神经网络总结
原理：人工神经网络是基于称为人工神经元的连接单元或节点所构成的集合，这些单元或节点松散地模拟生物大脑中的神经元。像生物大脑中的突触一样，每个连接可以将信号从一个人工神经元传输到另一个人工神经元。接收信号的人工神经元可以对其进行处理，然后向与之相连的附加人造神经元发出信号。从本质上来讲，它是通过一个复合函数f去逼近目标函数f*的值的算法。适用范围：非线性、对数据的基本关系不做任何假设。步骤：1.搭建基本模块——神经元。先将两个输入乘以权重（weight）：x1→x1 × w1 x2→x2 ..
2021-07-25 22:05:08
221
原创 机器学习决策树总结
1、原理：决策树是一种树结构，他包括根节点，分支，叶子结点三部分，根节点表示树的一个属性，叶子表示分类的标记，分支表示输出的结果。该方法从根节点开始循环反复遍历 ，根据测试所得出的结果，将实例分配到其子节点，每个子节点都会对应该特征的一个取值，通过递归的方法，继续对实例进行测试与分配，直到到达 叶节点，最后将实例分到叶节点的类中。2、生成树的过程：1⃣️ 特征选择：方法：ID3，C4.5,CART决策树ID3:选择信息增益大的特征，但是信息增益准则对可取值数目较多的属性有所偏好，为减少这种偏
2021-07-21 20:49:46
427
原创 机器学习第三章总结
一元线性回归：线性模型试图学得一个通过属性的线性组合来进行预测的函数假设一个误差～N（0，），根据得到y的分布，然后根据极大似然估计求得w和b的值。多元线性回归：原理同一元线性回归一样，根据最小二乘法对w求解。...
2021-07-15 20:30:47
110
原创 机器学习第一章&第二章总结
1、机器学习：是关于在计算机上从数据中产生“模型”的算法，即“学习算法”2、算法：一个计算的过程，一个解决问题的方法。3、经验误差：在m个样本中有a个样本分类错误，则错误率为：E=a/m4、过拟合：学习器将训练样本学的“太好”，很可能将训练样本自身的特点当作了所有潜在的样本都会具有的一般性质，这样就会导致泛化能力的下降。注：过拟合是无法彻底避免的，我们只能缓解。5、欠拟合：指对训练样本的一般性质尚未学好。6、评估法：1⃣️留出法 2⃣️交叉验证法 3⃣️自助法 4⃣️调参与最终模型
2021-07-12 16:34:42
117
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