机器学习（李宏毅）第四天：Classification分类概率生成模型

于 2022-10-02 23:32:53 发布
阅读量213 收藏
点赞数
分类专栏： 人工智能 文章标签： 人工智能 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/mangoJohn/article/details/127138167
版权

 

 

 

 为分类训练数据

把分类问题当作回归问题

以二进制分类为例

class1意味着target为1，class2意味着target为-1

数值接近1为class1，接近-1为class2

 回归模型会惩罚那些太正确的例子，也就是输出值远大于1的点

●多重class：class1表示target为1；class2表示target是2；class3意味着target是3…..有问题

L（f）表示f在训练数据上得到错误结果的次数。

f(x^{n})与\hat{y}^{n}不等则L(f)为1，否则为0

 

 每个Pokemon用feature描述

 假设这些点是从高斯分布中采样的。 

输入：矢量X，输出：采样概率X

函数的形状由平均值μ和协方差矩阵\sum决定

 

 

假设这些点是从高斯分布中采样的

找出它们背后的高斯分布，从而找到可能的新点

 具有任意平均μ和协方差矩阵\sum的高斯函数可以生成这些点。这些点有不同的可能性

具有平均μ和协方差矩阵\sum的高斯函数的可能性=高斯样本x1，x2，x3...x79的概率

 我们假设x1，x2，x3，…，x79是由高斯函数（μ*，\sum*）产生的，具有最大可能性

故79个点从 （μ*，\sum*）中取值

 

 

 

 用相同的协方差矩阵让边界变为直线，且正确率增加

一、建立函数集模型

二、函数的好处：能获得使概率最大化的平均值μ和协方差矩阵\sum（概率是生成数据的概率）

三、很容易找到最好的函数

 对于二进制特性，你可以假设它们来自伯努利分布。

如果假设所有维度都是独立的，那么你使用的是Naive Bayes分类器

 

 

 

 

 

 

 如何直接找出w和b，就要关系到逻辑回归的知识

 

 

mangoJohn
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
李宏毅ML作业3: 食物分类(kaggle预测与报告题目)
07-12
李宏毅ML作业3: 食物分类, kaggle预测与报告题目实作源码, 配合博客阅读: https://blog.csdn.net/lagoon_lala/article/details/118425354
李宏毅机器学习_分类_概率生成模型_4
qq_15821487的博客
03-24 137
不能当做回归的原因 为什么把这种模型称作生成模型，因为给定一个x都可以通过这种方式生成计算出来 用概率的方式，假设服从高斯分布 统一成一个模型，共享参数，减少模型的复杂度后，准确率会提升 加入输入变量的每个特征都独立，可以在特征维度上进行展开 逻辑回归是从概率模型推导出来的 逻辑回归是从概率模型推导出来的，并且Z就是现象线性回归模型的原因 ...
机器学习之模型评估（二）
科技匠心的博客
03-14 591
AUC（area under the curve）是ROC曲线的面积，那么ROC曲线是横坐标为FPR（假正率）纵坐标TPR（真正率）组合，随着样本阈值的不断变化，(FPR,TPR)不断变化形成的曲线。FPR和TPR是通过混淆矩阵下求得。 所以简单回顾一下上一篇，ROC曲线并不是光滑的，因为阈值的变化并不一定影响到样本的变化，所以应该是阶梯型的。 AUC值的意义 我们首先看一下下面的图： 纵坐标为...
机器学习中的回归(regression)与分类(classification)问题
小时候贼聪明
03-13 6万+
分类模型和回归模型本质一样，分类模型是将回归模型的输出离散化。
Classification分类-贝叶斯分类器
weixin_42347070的博客
04-24 847
上篇笔记我们讨论了利用regression回归模型，根据宝可梦进化前的CP能量值预测出宝可梦进化后的CP能量值。 本篇笔记我们将利用分类模型，根据宝可梦的CP能量值、HP生命值等特征，预测宝可梦是属于水系宝可梦还是火系宝可梦。 一、regression回归 在介绍classification分类模型前，首先讨论一个问题： 能否用regression回归模型代替classification分类模型做...
【深度学习】Classification ---- 模型介绍
Fanniexia的博客
07-30 1443
【深度学习】Classification ---- 模型介绍模型acc排行榜tensorflow models官方文档 模型acc排行榜 Imagenet结果排行 github链接：https://github.com/weiaicunzai/awesome-image-classification 在github中有code及原文链接 tensorflow models官方文档 https...
:white_medium_star: 李宏毅2020机器学习作业4-RNN：句子情感分类
01-20
文章目录0 作业链接1 作业说明环境任务说明任务要求数据说明作业概述2 基本原理与概念单词的表示句子的表示1-of-N encodingBag of Words (BOW)word embeddingSemi-supervised Learning 半监督学习3 原始代码warning...
李宏毅2020机器学习作业2——Classification
01-21
开始之前声明：本文参考了李宏毅机器学习作业说明（需翻墙），基本上是将代码复现了一遍，说明中用的是google colab（由谷歌提供的免费的云平台），我用的是Jupyter Notebook 本文用到的资料在百度网盘自取点击下载...
李宏毅机器学习2021HW3食物数据集
07-06
1、本资源为台大李宏毅深度学习课程作业数据集。 2、训练集内含课程所需数据集 3、提供下载便利
使用VAE生成宝可梦，李宏毅机器学习。.zip
最新发布
04-17
例如，通过深度学习模型，可以训练神经网络来理解和生成自然语言，用于智能客服、智能助手、机器翻译等场景。 推荐系统： 推荐系统利用机器学习算法分析用户的行为和偏好，为用户推荐个性化的产品或服务。例如，...
【机器学习】分类（classification）与回归（regression）任务区别及常用模型
杨小浩浩的博客
01-06 4066
背景 在机器学习任务中，主要解决的目标分为两种： 分类任务：classification 回归任务：regression 在进行机器学习之前，一般要先搞清楚自己的问题背景是分类任务还是回归任务，然后再采用相对应的模型。 区别 分类和回归的区别可以从多个角度进行描述，本文采用最简单的一个角度：输出变量的类型。 定量输出称为回归，或者说是连续变量预测； 定性输出称为分类，或者说是离散变量预测。 举个例子： 预测明天的气温是多少度，这是一个回归任务； 预测明天是阴、晴还是雨，就是一个分类任务。 （此例子借鉴于
机器学习入门系列05，Classification: Probabilistic Generative Model（分类：概率生成模型）
yofer张耀琦的专栏
04-04 6107
分类模型；先验概率；高斯分布的应用；最大似然估计的方法；推导后验概率等
机器学习系列（七）——分类问题（classification）
热门推荐
zxhohai的博客
08-19 6万+
这一篇博客将介绍机器学习中另一个重要的任务——分类（classification），即找一个函数判断输入数据所属的类别，可以是二类别问题（是/不是），也可以是多类别问题（在多个类别中判断输入数据具体属于哪一个类别）。与回归问题（regression）相比，分类问题的输出不再是连续值，而是离散值，用来指定其属于哪个类别。分类问题在现实中应用非常广泛，比如垃圾邮件识别，手写数字识别，人脸识别，语音识别...
[机器学习入门] 李宏毅机器学习笔记-5（Classification- Probabilistic Generative Model；分类：概率生成模型）
Holeung blog
06-04 6801
[机器学习] 李宏毅机器学习笔记-5（Classification: Probabilistic Generative Model；分类：概率生成模型）ClassificationHow to do ClassificationIdeal Alternatives Gaussian Distribution Probability from Class 那么怎样找到这个Gaussion f
李宏毅机器学习系列-分类-概率生成模型
王伟王胖胖的博客
08-13 966
李宏毅机器学习系列-分类：概率生成模型分类及其应用宝可梦分类案例用回归来做分类概率模型先验概率多元高斯模型极大似然估计改进后验概率总结 分类及其应用 分类简单来说就是你输入一个x，经过一个函数，给你输出一个值n，即属于哪个类，n是个离散的数值： 主要应用有： 信用评分：比如你去贷款，他会根据你的收入，存款，职业，年龄等因素来评估是否要贷款给你。 医疗诊断：根据当前的症状，年龄，以往病史，来推断可...
李宏毅机器学习2016 第四讲 分类：概率生成模型
Come_for_IT 的博客
01-15 1027
视频链接：https://www.bilibili.com/video/av9770190/#page=4 课程资源：Hung-yi Lee 课程相关PPT已经打包命名好了：链接：https://pan.baidu.com/s/1c3Jyh6S 密码：77u5 我的第三讲笔记：http://blog.csdn.net/sinat_25346307/article/details/
[机器学习入门] 李宏毅机器学习笔记-20 （Deep Generative Model-part 3：深度生成模型-part 3）
Holeung blog
06-26 1629
[机器学习入门] 李宏毅机器学习笔记-20 （Deep Generative Model-part 3：深度生成模型-part 3） PDF VIDEO 上接part 2，VAE从来没有去学习产生一张看起来能以假乱真的image，它所学到的是：它想要产生一张image，跟database的image越接近越好。它不知道的是，我们在衡量它产生的image和database种image的相似度
[机器学习入门] 李宏毅机器学习笔记-18 （Deep Generative Model-part 1：深度生成模型-part 1）
Holeung blog
06-22 5780
[机器学习入门] 李宏毅机器学习笔记-18 （Deep Generative Model-part 1：深度生成模型-part 1） PDF VIDEOCreation 据说在费曼死后，人们在他生前的黑板上拍到如图画片，在左上角有道：What i cannot create ,I do not understand. Generative models,就是在做创造的事情。 Imag
李宏毅机器学习-----分类：概率生成模型
zyuPp的博客
08-12 973
上期回顾，上一期我们把gradient descent详细的说了一遍，如果还是不熟悉的可以重新看一遍，反正我也还没有十拿九稳的拿下它，因为数学基础太差了，要补好数学，才能有更深的理解，放上链接：李宏毅机器学习-----Gradient Descent 分类：概率生成模型 分类问题的思想与前面所说的回归问题很类似，也是输入x，找到一个function(即model)，然后输出这个x属于哪个clas...
台大-李宏毅-B站机器学习视频-课件
01-08
台大-李宏毅-B站机器学习视频-课件 Deep Auto-encoder Unsupervised Learning

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值