PRML
文章平均质量分 91
有梦想的雨
这个作者很懒,什么都没留下…
展开
-
概率——二元变量(0/1)
伯努利分布(Bernoulli distributionBernoulli\;distributionBernoullidistribution)考虑简单的二元随机变量 x∈{0,1}x\in\{0,1\}x∈{0,1},其概率分布有:p(x=1∣μ)=μp(x=1|\mu)=\mup(x=1∣μ)=μ;p(x=0∣μ)=1−μp(x=0|\mu)=1-\mup(x=0∣μ)=1−μ则 xxx 的概率分布为伯努利分布(Bernoulli distributionBernoulli\;distrib原创 2022-01-15 10:16:33 · 705 阅读 · 0 评论 -
机器学习常用的概率知识
以上图为例,实验进行的总次数为 NNN,nijn_{ij}nij 表示在 xi,yjx_i,y_jxi,yj 条件下的频数,有:ci=∑jnijc_i=\sum_j n_{ij}ci=∑jnij,rj=∑inijr_j=\sum_i n_{ij}rj=∑inij,p(X=xi)=ciN\displaystyle p(X=x_i)=\frac{c_{i}}{N}p(X=xi)=Nci,p(Y=yj)=rjN\displaystyle p(Y=y_j)=\frac{r_{j}}{N}p.原创 2022-01-13 14:46:39 · 736 阅读 · 0 评论 -
回归概述——多项式拟合
数据生成假设当观察到一个实值的输入变量 x\mathcal xx,而想利用这些观测数据来预测实值变量 ttt。数据由以一个带有噪声的由函数 sin(2πx)sin(2\pi\mathcal x)sin(2πx)生成。现假定给出一个训练集(包括 NNN 个 x\mathcal xx 的观测值,记为 x=(x1,⋯ ,xN)T\mathbf x=(\mathcal x_1,\cdots,\mathcal x_N)^Tx=(x1,⋯,xN)T,相应的观测值为 t=(t1,⋯ ,tN)T\mathbf t=原创 2022-01-12 14:25:44 · 11939 阅读 · 1 评论