我不爱机器学习的博客

错误：解决：原因解决方法

从《》和《》中，我们已经了解有向图形模型(directed graphical models)指定了一组变量上的联合分布的因式分解为局部条件分布(local conditional distributions)的乘积。它们还定义了一组条件独立属性( conditional independence properties)，必须满足根据图进行因式分解的任何分布。现在我们来看第二类主要的图模型，它们是由无向图(undirected graphs)描述的，并且再次指定了因子分解( factorization)和

在面试数据分析或算法相关岗位时，支持向量机是常被问到的一个算法，因此本文对于面试中常见的SVM原理以及核函数方面的问题进行了汇总。本文主要包含以下内容1 什么是支持向量机？2 什么叫硬间隔软间隔？3 SVM为什么采用间隔最大化？4 SVM与感知机的区别？5 什么叫支持向量？6 支持向量机包含几种模型？7 SVM怎么处理多分类？8 核函数原理？9 为什么引入核函数？10 SVM有哪些核函数，对应有...

1 简介多变量概率分布的一个重要概念是条件独立(conditional independence)。考虑三个变量aaa、bbb和ccc，假设aaa在给定bbb和ccc下的条件分布不依赖于bbb的值，则：p(a∣b,c)=p(a∣c)p(a|b,c)=p(a|c)p(a∣b,c)=p(a∣c)读作在给定ccc下aaa独立于bbb。如果我们考虑以c为条件的a和b的联合分布，这可以用一种稍微不同的方式来表示，我们可以写成这种形式...

简介概率在现代模式识别中起着核心作用。概率论可以用两个简单的方程来表示，它们分别对应着求和法则和乘积法则。因此，们完全可以通过代数操作来建立和解决复杂的概率模型。然而，使用概率分布的图解表示(称为概率图模型，probabilistic graphical models)来增强分析是非常有利的。它提供了几个有用的属性：提供了一种可视化概率模型结构的简单方法，并可用于设计和激发新模型。通过查...

123

首发于 我不爱机器学习 公众号，微信号：learning_free1、相关数学知识1.1 均值x={1,2,3}E[a+x]=a+E[x]E[αx]=αE[x]E[αx+a]=αE[x]+a\begin{aligned}E[a+x] &=a+E[x] \\E[\alpha x] &=\alpha E[x] \\E[\alpha x+a] &=\alpha...

在深入了解XGBoost算法之前，大家可以先了解一下：GBDT回归、GBDT分类、正则化。1、简介XGBoost：又叫 eXtreme Gradient Boosting、gradient boosting、multiple additive regression trees、stochastic gradient boosting or gradient boosting machine...

在此之前大家可以了解一下在深入理解 EM 算法前，先了解一下 模型参数求解方法和Jensen'sinequality。1、模型参数求解方法有两种方法：1）训练数据是完整的，即不缺少某些属性值，则直接用训练数据去拟合模型得到模型的参数即可，如极大似然估计和最大后验估计等。2）训练数据是不完整的，即缺少某些属性数据，则此时不可用训练数据去拟合模型（某些属性没有数据，则无法对该属性...

1、一元高斯分布的定义高斯分布也叫正态分布，主要用于连续变量的分布。假设有一变量，则其高斯分布形式为： 式中是均值（mean），是方差(variance)，方差的平方根叫做标准误（standard deviation），方差的倒数叫做精度（precision）。高斯分布满足：高斯分布是归一化的（...

建议先看一下这两篇文章：核函数(Kernel function)(举例说明，通俗易懂)拉格朗日乘子、拉格朗日对偶问题 (举例说明，通俗易懂)1、支持向量机简介支持向量机（support vector machine）是一种用于分类、回归和异常值（离群点）检测的监督学习方法。支持向量机是一种二分类模型，其基本模型是定义在特征空间上的间隔最大的线性分类器，间隔最大有别于感知机；支...