![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器学习
文章平均质量分 71
Met.Joe
这个作者很懒,什么都没留下…
展开
-
机器学习之最大似然算法
机器学习十大算法之一:EM算法。能评得上十大之一,让人听起来觉得挺NB的。什么是NB啊,我们一般说某个人很NB,是因为他能解决一些别人解决不了的问题。神为什么是神,因为神能做很多人做不了的事。那么EM算法能解决什么问题呢?或者说EM算法是因为什么而来到这个世界上,还吸引了那么多世人的目光。 我希望自己能通俗地把它理解或者说明白,但是,EM这个问题感觉真的不太好用通俗的语言去转载 2016-11-23 20:13:49 · 706 阅读 · 0 评论 -
判别模型、生成模型与朴素贝叶斯方法
1判别模型与生成模型上篇报告中提到的回归模型是判别模型,也就是根据特征值来求结果的概率。形式化表示为,在参数确定的情况下,求解条件概率。通俗的解释为在给定特征后预测结果出现的概率。比如说要确定一只羊是山羊还是绵羊,用判别模型的方法是先从历史数据中学习到模型,然后通过提取这只羊的特征来预测出这只羊是山羊的概率,是绵羊的概率。换一种思路,我们可以根据山羊的特征首先学习出一个山羊模型,然转载 2016-11-24 21:56:34 · 302 阅读 · 0 评论 -
C4.5决策树算法
1. C4.5算法简介 C4.5是一系列用在机器学习和数据挖掘的分类问题中的算法。它的目标是监督学习:给定一个数据集,其中的每一个元组都能用一组属性值来描述,每一个元组属于一个互斥的类别中的某一类。C4.5的目标是通过学习,找到一个从属性值到类别的映射关系,并且这个映射能用于对新的类别未知的实体进行分类。 C4.5由J.Ross Quinlan在原创 2016-11-26 14:00:00 · 1360 阅读 · 0 评论 -
决策树的完整知识点总结
一、原理 决策树是一种非参数的监督学习方法,它主要用于分类和回归。决策树的目的是构造一种模型,使之能够从样本数据的特征属性中,通过学习简单的决策规则——IF THEN规则,从而预测目标变量的值。图1 决策树例如,在某医院内,对因心脏病发作而入院治疗的患者,在住院的前24小时内,观测记录下来他们的19个特征属性——血压、年龄、以及其他17项可以综合判断病人状况的重要指标,转载 2016-11-26 16:29:32 · 39108 阅读 · 5 评论 -
logistic回归
一、logistic回归的引出1. 关于多重回归的虚拟因变量分析表面上看,多重回归也可以用来分析一个值为0或1的二分因变量,回归系数针对虚拟因变量的解释是有意义的——自变量每变化一个单位,回归系数可以解释为有某种特性或经历某事件的概率升高或者降低,即他们显示了自变量每变化一个单位,预测到因变量值为1的受访者所占的比例。研究人员在熟悉了比例和概率后,就会对这样的解释得心应手。因变量只能取0或1,但原创 2017-04-16 13:13:02 · 665 阅读 · 0 评论 -
activation函数小解
关于为什么引入非线性activation function?如果不用激励函数,在这种情况下你每一层输出都是上层输入的线性函数,很容易验证,无论你神经网络有多少层,输出都是输入的线性组合,与没有隐藏层效果相当,这种情况就是Perceptron了,浪费了资源,且没有达到预期的效果。正因为这个原因,我们决定引入非线性函数作为activation function,这样深层神经网络就有意义了,输出不再是输入原创 2017-04-21 16:19:42 · 576 阅读 · 0 评论