应用场景
1.Credit Scoring 信用评分
Input: income, savings, profession, age, past financial history …… Output: accept or refuse
2.Medical Diagnosis 医疗诊断
Input: current symptoms, age, gender, past medical history …… Output: which kind of diseases
3.Handwritten character recognition 手写字符识别
Input:手写图片 output: 标准图片
4.Face recognition 面部识别
Input: image of a face output: person
举一个例子(pokmon)
1.数据部分
1)当成regression问题,大于0接近1,class1,小于0接近-1,class2
2)引入离散函数g(x),g(x)>0,output= class 1. else,output=class 2
2.同时定义loss function:
但L(f)无法微分,无法使用梯度下降求解,所以引入感知机和支持向量机(SVM)
3.之后就是引入了数学知识,概率分布问题。
得到四个参数的概率值,之后进行分类,分类过程类似于k-means。x服从Gaussion distribution,之后知道了一个Gaussion的μ和 Σ就可以得到数据的最大似然估计。
但如何找到μ和 Σ,根据定义的maximum likelihood可知。
引入这个例子: