机器学习
文章平均质量分 62
shuzhicheng
这个作者很懒,什么都没留下…
展开
-
第二章 模型评估与选择
2.1 经验误差与过拟合误差:经验误差(empirical error)、泛化误差(generalization error)。 错误率: 精度=1-错误率。 过拟合与欠拟合。(过拟合是无法彻底避免的,我们能做的知识缓解。)2.2评估方法(1)留出法。直接将数据集D划分为两个互斥的集合,其中一个集合作为训练集S,另一个作为验证集T。在S上训练出模型后,用T评估其测试误差,作为对泛化误差的估计。原创 2017-09-20 20:05:44 · 471 阅读 · 0 评论 -
第一章 绪论
1.1 引言在计算机系统中,“经验”通常以“数据”形式存在,因此,机器学习所研究的主要内容,是关于在计算机上从数据中产生“模型”的算法,即“学习算法”。有了学习算法,我们把经验数据提供给它,它就能基于这些数据产生模型;在面对新的情况时,模型会给我们提供相应的判断。(周志华)假设用P来评估计算机程序在某任务类T上的性能,若一个程序通过利用经验E在T中任务上获得了性能改善,则我们就说关于T和P,该程序对原创 2017-09-14 12:16:37 · 337 阅读 · 0 评论 -
第五章 神经网络
5.1 神经元模型神经网络是由具有适应性的简单单元组成的广泛并行互连的网络,它的组织能够模拟生物神经系统对真实世界物体所做出的交互反应。 神经网络中最基本的成分是神经元模型。 5.2感知机与多层网络感知机由两层神经元组成。 多层前馈神经网络:每层神经元与下一层神经元全相连,神经元之间不存在同层连接或者跨层连接。5.3误差逆传播算法5.4全局最小与局部最小跳出局部极小的方案: (1)以多组不同转载 2017-10-13 12:21:28 · 519 阅读 · 0 评论 -
第四章 决策树
4.1基本流程 一般的,一棵决策树包含一个根节点,若干个内部节点和若干个叶节点。 决策学习的目的是为了产生一棵泛化能力强,即处理未见示例能力强的决策树。 4.2划分选择 决策树学习的关键是如何选择划分属性。转载 2017-10-13 21:06:57 · 290 阅读 · 0 评论