机器学习
文章平均质量分 89
cer_ml
专注于机器学习和深度学习
展开
-
EM算法总结
1.普通的极大似然估计概率模型没有隐变量时,似然函数: L(θ)=L(x1,...,xn;θ)=∏i=1np(xi;θ),θ∈ΘL(θ)=L(x_1,...,x_n;θ)=\prod^n_{i=1}p(x_i;θ),θ∈Θ 这个概率反映了:在概率密度函数的参数是θ时,得到X这组样本的概率。 θ的极大似然估计: θ^=argmaxL(θ)\hatθ=argmaxL(θ) 或者使用对数似然函数原创 2016-05-22 12:29:01 · 769 阅读 · 0 评论 -
隐马尔科夫模型总结
1.概念状态序列: 隐藏的马尔科夫链随机生成的状态序列,称为状态序列(state sequence)观测序列 每个状态生成一个观测,而由此产生的观测的随机序列,称为观测序列(obeservation sequence)马尔科夫模型: 马尔科夫模型是关于时序的概率模型,描述由一个隐藏的马尔科夫链随机生成不可观测的状态随机序列,再由各个状态生成一个观测而产生观测随机序列的过程。2 形式定义原创 2016-05-21 21:07:18 · 3838 阅读 · 0 评论 -
SVM总结
svm推导原创 2016-05-09 16:14:54 · 860 阅读 · 0 评论 -
条件随机场(CRF)总结
简介条件随机场(CRF)是给定一组输入随机变量的条件下另一组输出随机变量的条件概率分布。1.概念引入概率图模型 概率图模型是由图表示的概率分布。无向图G=(V,E)表示概率分布P(Y),节点v∈V表示一个随机变量YVY_V;边e∈E表示随机变量之间的概率依存关系。成对马尔科夫性 u和v是G中任意两个没有边连接的节点,其他所有节点为O。成对马尔科夫性是指给定随机变量组YOY_O的条件下随机变量原创 2016-05-21 15:16:50 · 14069 阅读 · 2 评论