m0_64198455的博客

本部分首先将介绍本次实验采用的DEAP数据集，另外由于本次实验采用了两种不同的神经网络架构：具有完全连接层的深度神经网络（DNN）和卷积神经网络（CNN），只做了一些小的修改，本部分也将详细解释该模型的基本框架及这些模型中的训练技术。2.1 数据集描述本次实验采用的是DEAP数据集。DEAP是2014年发布的一个用于情绪分析的数据集。它是情感计算领域最大的公开数据集之一，还包含各种不同的生理和视频信号。

隐式马尔可夫模型（HMM）是一种用于描述由隐藏状态和可观察状态组成的序列，并建模它们之间概率关系的统计模型。HMM在语音识别、自然语言处理、生物信息学和金融预测等领域得到广泛的应用。HMM的基本概念包括隐藏状态、观测状态、状态转移概率、观测概率分布和初始状态概率分布。HMM模型的基本假设包括有限历史性假设、齐次性假设和观测独立性假设。HMM由初始状态向量π、状态转移矩阵A和观测概率矩阵B决定，这些要素决定了HMM模型的行为。HMM模型涉及三个基本问题：评估问题、解码问题和学习问题。

1.4.1关联规则关联规则是形如X=>Y的蕴含式，其中X、Y分别是一事务的真子集，且X∩Y=Φ。X称为规则的前提，Y称为规则的结果。关联规则反映出X中的项目在事务中出现时，Y中的项目也跟着出现的规律。本次实验主要探讨了关联规则挖掘领域中的经典算法——Apriori算法。首先介绍了Apriori算法的背景，该算法填补了关联规则挖掘领域的研究空白，并为大规模数据集中频繁项集和关联规则的发现提供了高效的解决方案。

经过前面的四次实验课及理论课的机器学习方法的学习，我们认识了机器学习中的常用回归算法、分类算法和聚类算法，在众多的算法中，除神经网络算法之外，没有一款算法模型预测准确率达到 100%，因此如何提高预测模型的准确率成为研究的重点。通过前面内容的学习，我们可能会迅速想到一些方法，比如选择一款适合的算法，然后反复调整各种参数，其实这并不是最佳的方法，有以下三点原因：一是任何算法模型都有自身的局限性；二是反复调参会浪费许多不必要的时间；三是依靠调参来提升模型预测准确率具有很大的不确定性。

朴素贝叶斯是一种有监督学习算法，这种算法基于贝叶斯的一个朴素的假设——每对特征和样本数据都是独立同分布的。最终可以推出朴素贝叶斯分类器的判定准则：贝叶斯的主要思路就是数数，统计每个条件组合下各种结果的概率，并根据这个概率做出分类。但是，单纯的贝叶斯在计算机计算的时候会出现计算规模过大的情况，这里就需要 引入朴素条件，化简式子。最终结果就是在计算时我们只需要统计单个条件下的结果，并据此计算得结果就好了，区别于先自由组合条件在统计结果。

支持向量机（Support Vector Machine，SVM）是一种经典的统计学习方法，由Vapnik等人在20世纪90年代提出。它在解决二分类问题上具有很高的准确性和鲁棒性，并且在实践中被广泛应用。SVM的理论基础源自于统计学习理论和VC维理论。统计学习理论认为，通过从有限的训练样本中学习得到的模型可以推广到未知的样本上，从而实现对未知数据的预测。而VC维理论则提供了一种衡量模型复杂度和泛化能力之间关系的方法。在推导支持向量机公式前，首先对一些关键概念和方法进行介绍（1）超平面。

K最近邻（KNN）算法是一种基本的模式识别和机器学习算法，发展于20世纪60年代。它是一种基于“类的相似性”进行分类的无参数算法，在许多实际应用中取得了良好的效果。在分类问题中，KNN算法将一个测试样本所在区域内训练样本的多数类作为该测试样本的预测类别；在回归问题中，KNN算法利用k个最近邻居的平均值或加权平均值预测连续变量。