![](https://img-blog.csdnimg.cn/20201014180756928.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
学习日记
文章平均质量分 73
zxiaohui666
这个作者很懒,什么都没留下…
展开
-
KPCA降维
KPCA是一种非线性主元分析方法,用于降维。主要思想:通过某种事先选择的非线性映射函数Ф将输入矢量X映射到一个高维线性特征空间F之中,然后在空间F中使用PCA方法计算主元成分,核主成分分析最主要是非线性映射函数Ф的选取。算法步骤:Step 1. 数据标准化处理。Step 2. 求核矩阵K,使用核函数来实现将原始数据由数据空间映射到特征空间。采用的核函数为径向基核函数,公原创 2018-01-25 11:00:52 · 5873 阅读 · 3 评论 -
不确定性
不确定性产生的原因:信息不完全、来源不一致、表述不精确、内容具有变化性等,不确定性可以是某个量,某种结构等。涉及到的概念:1.概率的本质:概率就是一个理论上无限次的试验序列的属性,而不是单一事件的属性,在试验总体未知的情况下,或者没有充足的经验数据时,很难评估出概率,其主要适用于掷骰子这样的机会事件。2.澄清事件:为了使一个有意义的概率分布可以被估计,事件或者数量必须良好设定的,所谓良原创 2018-01-25 21:17:31 · 4255 阅读 · 0 评论 -
KPCA原理及部分代码
KPCA,中文名称”核主成分分析“,是对PCA算法的非线性扩展。PCA是线性的,其对于非线性数据往往显得无能为力(虽然这二者的主要目的是降维,而不是分类,但也可以用于分类),其中很大一部分原因是,KPCA能够挖掘到数据集中蕴含的非线性信息。一、KPCA较PCA存在的创新点:1. 为了更好地处理非线性数据,引入非线性映射函数,将原空间中的数据映射到高维空间,注意,这个是隐性的,我们不知道,也不需要知...原创 2018-02-27 15:39:27 · 34467 阅读 · 5 评论 -
线性回归(原理推导)
1.方程式表示:数学形式:矩阵形式:其中,X矩阵是m行(n+1)列的,每一行是一个样本,每一列是样本的某一个特征矩阵(n+1)行1列的,它是X的权重,也是线性回归要学习的参数.2.损失函数(Loss function)对数极大似然和最小二乘的联系:由线性函数的假设知道,噪音项满足高斯分布,其中一个样本的正态分布的数学表达为:那么,通过极大估计求得似然函数为所有样本的乘积,如下:经过数学运算和推导,...原创 2018-03-01 19:16:24 · 967 阅读 · 0 评论