- 博客(5)
- 收藏
- 关注
RSS订阅原创 机器学习03——感知机3
这里，ai>=0（也就是xiyi的倍数），i=1,2,······,N。对偶形式的基本想法是，将w和b表示为实例xi和标记yi的线性组合的形式，通过求解其系数而求得w和b。逐步修改w,b，设修改n次，则w,b关于（xi,yi）的增量分别是ai*yi*xi和ai*yi，这里。训练数据集T={(x1,y1),(x2,y2),······,(xn,yn)},其中，xi∈X∈。，这样，从学习过程可以看出，最后学习到的w,b可以分别表示为。（这样求得的是正值）
2024-09-30 18:37:16
918
原创 机器学习03——感知机2
当一个实例点被误分类，即位于分离超平面的错误一侧时，则调整w,b的值，使分离超平面向该误分类点的一侧移动，以减少该误分类点与超平面间的距离，直至超平面越过该误分类点使其被正确分类。给定一个训练数据集T={(x1,y1),(x2,y2),······,(xn,yn)},其中，xi∈X∈。设训练数据集T={(x1,y1),(x2,y2),······,(xn,yn)}是线性可分的,其中，xi∈X∈。输入：训练数据集T={(x1,y1),(x2,y2),······,(xn,yn)},其中，xi∈X∈。
2024-09-30 13:46:43
1484
原创 机器学习03——感知机1
感知机当中的损失函数不少采取误分类点的总数，因为它是离散的点，不是参数w，b连续可导函数，不易优化，可以选择误分类点导超平面S的总距离。，yi属于Y属于{+1,-1}，i = 1,2,···,n，如果存在某个超平面S：w*x+b = 0 ，能够将数据集的正负实例点分到超平面的两侧，则称数据集T为线性可分数据集；1.1 感知机：感知机是二类分类的线性分类模型，输入为实例的特征向量，输出为实例的类别，取+1、-1二值，感知机将特征空间的输入实例，通过分离超平面分为正负两类，属于判别类型。
2024-09-29 21:37:36
1575
原创 机器学习笔记-02
{p(x|θ)*p(θ)}dθ 实际上是积分问题，要在整个参数空间内进行求积分，实际上计算很复杂很麻烦，这就引申出新的计算方法，从贝叶斯角度发展出来的概率图模型，如果从贝叶斯角度来看就是求积分问题（MCMC求积分、数值积分）；从频率派角度发展出来统计机器学习模型，实际上是一个优化问题（设计模型、损失函数、算法解决损失）（所以说频率派问题会演变为优化问题、贝叶斯派问题会演变为求积分问题）若θ为未知的常量，x为随机变量（r.v）。若θ为随机变量（r.v）,θ~p(θ)，一般情况下将p(θ)称为。
2024-09-24 17:14:31
355
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人