瓜皮
文章平均质量分 80
Ethan//calf
这个作者很懒,什么都没留下…
展开
-
Chapter 4 Decision Tree
第四章 决策树 4.1基本流程 决策树:由一个根结点(包含所有样本集)。若干内部结点(属性测试)和若干叶结点(分类结果)组成。 决策树是一个递归过程,当产生如下三种情况时,会导致递归返回: 1.当前节点包含的所有样本归属同一类,无需再分; 2.当前属性集为空,或所有样本在该属性上取值相同;(->叶结点) 3.当前节点包含的样本集合为空。(->叶结点,并以其父结点所含样本最多的类别作为该...原创 2018-12-08 15:24:08 · 131 阅读 · 0 评论 -
Chapter 3 Linear Model
第三章、线性模型 &3.1 基本形式 *f(x)=(w^T)*x+b其中,w=(w1,w2,…,wd),x=(x1,x2,…,xd); *线性模型形式简单,易于建模,有很好的可解释性,对于机器学习来说十分基本且重要 *许多功能强大的非线性模型可在线性模型的基础上通过层级结构和高维映射而得 &3.2 线性回归 *数据集D={(x1,y1),(x2,y2),…,(xm,ym)},其中x...原创 2018-12-03 20:41:51 · 218 阅读 · 0 评论 -
Chapter5 Neural Network
第五章 神经网络 5.1 神经元模型 定义:神经网络是具有自适应性的简单单元所组成的广泛并行连接的网络,它的组织能够模拟生物神经系统对真实世界物体所做出的交互反应 与机器学习交叉的领域称为神经网络学习 神经网络最基本的成分为神经元模型,即上面说的简单单元。 5.2 感知机与多层网络 感知机(Perception)由两层神经元组成,输入层接收外界信号传递给输出层,然后输出层将输入层传递来的带有权重...原创 2018-12-10 17:11:56 · 279 阅读 · 2 评论 -
Chapter 6 SVM
#第六章 支持向量机 6.1 间隔与支持向量机 分类学习最基本的想法就是基于训练集D再样本空间中找到一个最鲁棒的划分超平面。它可用如下线性方程来描述: wTx+b=0w^Tx+b=0wTx+b=0 其中,w被称为法向量,可用于描述超平面的方向,b为位移项,决定超平面到原点的距离。显然这两项决定了划分超平面,可以证明样本空间中任意点x\bf xx到超平面距离可写为: r=∣wTx+b∣∣∣w∣∣r...原创 2018-12-18 16:37:14 · 353 阅读 · 0 评论 -
Chapter7 BayesianClassifier
第七章 贝叶斯分类器 贝叶斯决策论 贝叶斯决策论(Bayesian decision theory)是概率框架下实施决策的基本方法,是利用已知的一些相关概率和误判损失来对数据进行类别标记的一种方法。 基本原理:假设有N中可能的类别标记,即γ={c1+c2+...+cN},λij\gamma=\{c_1+c_2+...+c_N\},\lambda{ij}γ={c1+c2+...+cN},λij...原创 2019-01-15 11:24:02 · 218 阅读 · 0 评论