含有求和形式的函数求导
求解对应的wj,首先就要把wj的求和符号给去掉,然后在进行求导
泛化误差:对于下面这个公式的理解
- 求解期望:期望可理解为均值,在概率论中可以使用:期望 = 概率*值 计算 来计算
- 此处利用积分(积分可以理解为某种形式的求和)实则是为了求取均值,
- 整个模型的泛化误差相当于模型的损失平均值
如何使用泛化误差: 对于不同的学习模型,用泛化误差来衡量泛化能力,泛化误差越小,泛化能力越好
泛化误差上界
hoeffding不等式:
由于是二分类问题,bi-ai=1,就可以被简化为:
由于总共有d个所以:
然后就可以推导出:
典型的判别模型:
K近邻法、感知机、决策树、逻辑斯蒂回归模型、最大熵模型、支持向量机、提升方法和条件随机场
标注常用模型:隐马尔可夫模型,条件随机场
第二章
感知机学习策略1 :利用随机梯度实现
证明实现感知机的误分类次数上限:利用Novikoff公式和平方来放缩
感知机学习策略2 :对偶算法的实现
参数更新方法:
ai---a,+n
bi-- b+nyi