机器学习理论知识
文章平均质量分 90
wang_zhip
一个不知名的小程序猿
展开
-
高斯过程(原理和代码实现)
1.高斯过程原理高斯过程:每个点的观测值都是高斯分布,这里面的观测值就是输出Y,观测点的组合也符合高斯分布。高斯过程通常可以用来表示一个 函数,更具体来说是表示一个函数的分布。高斯过程是非参数化的,针对小样本学习具有很好的效果。参数化的方法把可学习的函数的范围限制死了,无法学习任意类型的函数。而非参数化的方法就没有这个缺点。高斯过程直观来说,两个x离得越近,对应的函数值y应该相差越小的原理对核函数的参数进行学习。首先是第一个方法,高斯过程,假设每一个观测值都是符合高斯过程,高斯过程是非参数化的,针对小样原创 2021-08-03 16:13:28 · 3333 阅读 · 0 评论 -
再生核希尔伯特空间(Reproducing Kernel Hilbert Space)
再生核希尔伯特空间(Reproducing Kernel Hilbert Space)一、Basic Definitions1.The Basic Idea2.The Reproducing Kernel Map(再生核映射)二、Theorems and Proofs1.Theorems2.RKHS总结一、Basic DefinitionsOutline①给定一个核函数,构建一个特征空间,使得原空间中两个样本之间的核函数值是对应于特征空间中样本之间的内积。②给定空间映射,构造关联核函数。1.T原创 2021-02-03 13:30:49 · 7500 阅读 · 1 评论 -
核方法(kernel Method)
KernelKernel MethodKernel前言一、General introduction to kernel methods1.The Basic Idea2.3.二、Dual Representation三、PCA and KPCA四、LDA and GDA五、Hard-margin and Soft-margin SVMs1.2.总结前言参考书籍:[1]Kernel Methods for Pattern Analysis[2]learning with Kernels:Supp原创 2020-12-11 22:33:57 · 6379 阅读 · 2 评论