统计学习方法
小帅吖
无
展开
-
统计学习方法(4/22)朴素贝叶斯
朴素贝叶斯(naive bayes)法是基于贝叶斯定理与特征条件独立假设的分类方法。对于给定的训练数据集,首先基于特征条件独立假设学习输入输出的联合概率分布:然后基于此模型,对给定的输入x,利用贝叶斯定理求出后验概率最大的输出y。朴素贝叶斯法实现简单,学习和预测的效率都很高,是一种常用的方法。...原创 2022-06-27 23:25:13 · 95 阅读 · 0 评论 -
统计学习方法(3/22)K近邻法
k近邻法(k-nearest neighbor, k-NN)是一种基本分类与回归方法。本章只讨论分类问题中的k近邻法。k近邻法的输入为实例的特征向量,对应于特征空间的点;输出为实例的类别,可以取多类。k近邻法假设给定一个训练数据集,其中的实例类别已定。分类时,对新的实例,根据其k个最近邻的训练实例的类别,通过多数表决等方式进行预测。因此,k近邻法不具有显式的训练过程,而是实际上利用训练数据集对特征向量空间进行划分,并作为其分类的模型。k值选择、距离度量以及分类决策的规则是该方法的三个基本要素。...原创 2022-06-27 00:08:11 · 116 阅读 · 0 评论 -
统计学习方法(2/22)感知机
感知机是二分类的线性分类模型,其输入为实例的特征向量,输出为实例的类别,取+1和-1二值。感知机对应于输入空间(特征空间)中将实例划分为正负两类的分离超平面,属于判别模型。感知机学习旨在求出将训练数据进行线性划分的分离超平面,为此,导入基于误分类的损失函数,利用梯度下降法对损失函数进行极小化,求得感知机模型。...原创 2022-06-26 14:26:25 · 117 阅读 · 0 评论