qq_26386707的博客

Machine Learning（3）Generalized Linear Models Chenjing Ding 2018/02/28 notation meaning M M-dimensional feature space ϕϕ\phi K the number of classes N the number of tr...

Machine Learning（3）Least-squares classification Chenjing Ding 2018/02/28 notation meaning M the number of mixture components x_n n-th input vector N the number of tra...

机器学习（二）概率密度分布之预备知识和所用符号2018/2/19 by ChenjingDing机器学习（二）所用到的符号如下： 符号 含义 L(θ)L(θ)L(\theta) θ的可能性，参考机器学习（一）条件概率 E(θ)E(θ)E(\theta) θθ\theta的对数可能性(Log-likelihood) μˆμ^\wideh...

机器学习（二）非参数估计matlab例程2018/2/19 by ChenjingDing问题描述： 分别使用K近邻和核函数的方法。为输入样本xˆx^\widehat{x}估计概率密度函数。xˆx^\widehat{x} = linspace(-5, 5, 100); 假设xtraixtraix_{trai} = random(‘norm’, 0, 1, 1, 100)服从高斯...

机器学习（二）概率密度估计之非参数估计2018/2/19 by ChenjingDing二.非参数估计2.1直方图估计直方图估计概率密度函数基本思想： 将数据空间分成许多个子空间，每一个子空间大小为△△△，在每一个子空间内计算样本出现的个数ninin_i，样本总个数为N，则概率密度函数为：p(x)=niN△；p(x)=niN△； p(x) = \frac{n_i}{N△...

机器学习（二）概率密度估计之参数估计2018/2/19 by ChenjingDing概率密度估计总体上可分为两种方法，参数估计和非参数估计的方法。一.参数估计假设随机变量服从不同的分布，则可以求取该分布概率密度函数的参数。频率学派认为该参数是固定的，因此产生了最大似然估计。而贝叶斯学派认为该参数也是随机变量，产生了贝叶斯学习的方法。1.1最大似然估计*1...

Machine Learning（2）Mixture of Gaussians Chenjing Ding 2018/02/21 notation meaning M the number of mixture components p(j) weight of mixture component p(x|θj)p(x|θj)p(x|...

机器学习（一）贝叶斯判别式2018/2/13 by Chenjing Ding 符号 含义 CkCkC_k 第k类 p 概率密度 P(Ck)P(Ck)P(C_k) 第k类的概率。本文中的概率密度和概率在公式推导时已严格区分 x 输入数据；可为训练样本（已知类别）或者待分类数据（未知类别）,为变量 qqq 输入...

Machine Learning（7）Neural network —— optimization techniques I Chenjing Ding 2018/02/27 notation meaning g(x) activate function xnxnx_n the n-th input vector (simplified as ...

Machine Learning（7）Neural network —— Perceptrons Chenjing Ding 2018/02/21 notation meaning g(x) activate function xnxnx_n the n-th input vector (simplified as xixix_i when n...