![](https://img-blog.csdnimg.cn/20201014180756928.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器学习西瓜书
文章平均质量分 93
qq_46458164
这个作者很懒,什么都没留下…
展开
-
支持向量机
支持向量机作者:little−xulittle-xulittle−xu时间:2021/1/202021/1/202021/1/20间隔与支持向量最大间隔超平面我们有样本训练集{(x1,y1),(x2,y2),⋯ ,(xi,yi)},yi∈{−1,+1}\{(x_1,y_1),(x_2,y_2),\cdots,(x_i,y_i)\},y_i \in \{-1,+1\}{(x1,y1),(x2,y2),⋯,(xi,yi)},yi∈{−1,+1},不妨我们用正例描述+1+1+1,负例来原创 2021-01-22 17:09:28 · 219 阅读 · 0 评论 -
支持向量机
支持向量机作者:little−xulittle-xulittle−xu时间:2021/1/202021/1/202021/1/20间隔与支持向量最大间隔超平面我们有样本训练集{(x1,y1),(x2,y2),⋯ ,(xi,yi)},yi∈{−1,+1}\{(x_1,y_1),(x_2,y_2),\cdots,(x_i,y_i)\},y_i \in \{-1,+1\}{(x1,y1),(x2,y2),⋯,(xi,yi)},yi∈{−1,+1},不妨我们用正例描述+1+1+1,负例来原创 2021-01-20 13:07:46 · 144 阅读 · 1 评论 -
决策树
决策树作者:little−xulittle-xulittle−xu时间:2021/1/182021/1/182021/1/18基本流程Conception一般情况,一棵决策树包含一根根节点,若干个内部节点和若干个叶节点;叶节点对应决策结果,其他每个节点对应属性测试。举例,当我们买西瓜,可以从多方面色泽,根蒂,敲声,纹理,脐部,触感等方面来逐次判断他是否是一个好西瓜。而此时这些属性就类比决策树中的节点。决策树学习的目的是产生一棵泛化能力强(处理未见示例能力强的决策树),分而治之划分选择信息原创 2021-01-19 21:15:44 · 132 阅读 · 0 评论 -
线性模型
线性模型作者:little−xulittle-xulittle−xu时间:2021/1/142021/1/142021/1/14基本形式给定由d个属性描述的实例x=(x1;x2;⋯ ;xd)x=(x_1;x_2;\cdots;x_d)x=(x1;x2;⋯;xd),其中xix_ixi是xxx在第i个属性上的取值,线性模型试图学的一个预测函数,即f(x)=w1x1+w2x2+⋯+wdxd+b\begin{aligned} f(x)=w_1x_1+w_2x_2+\cdots+w_dx_d原创 2021-01-18 14:26:17 · 117 阅读 · 0 评论 -
决策树
决策树作者:little−xulittle-xulittle−xu时间:2021/1/182021/1/182021/1/18基本流程Conception一般情况,一棵决策树包含一根根节点,若干个内部节点和若干个叶节点;叶节点对应决策结果,其他每个节点对应属性测试。举例,当我们买西瓜,可以从多方面色泽,根蒂,敲声,纹理,脐部,触感等方面来逐次判断他是否是一个好西瓜。而此时这些属性就类比决策树中的节点。决策树学习的目的是产生一棵泛化能力强(处理未见示例能力强的决策树),分而治之划分选择决策原创 2021-01-18 14:22:22 · 82 阅读 · 0 评论 -
线性模型
线性模型作者:little-xu时间:2021/1/14基本形式给定由d个属性描述的实例x=(x1;x2;⋯ ;xd)x=(x_1;x_2;\cdots;x_d)x=(x1;x2;⋯;xd),其中xix_ixi是xxx在第i个属性上的取值,线性模型试图学的一个预测函数,即f(x)=w1x1+w2x2+⋯+wdxd+b\begin{aligned} f(x)=w_1x_1+w_2x_2+\cdots+w_dx_d+b\end{aligned}f(x)=w1x1+w2x2+原创 2021-01-15 16:20:39 · 118 阅读 · 0 评论