模型的分类

从数据分布来看:

参数模型和非参数模型

如果待求解的概率分布或者数量关系可以用一组有限且固定数目的参数完全刻画,求出的模型就是参数模型;反之,不满足这个条件的模型就是非参数模型。其主要区别是总体的分布形式是否已知,非参数模型并不是指没有参数,而是参数个数不确定,甚至可能是无穷多个。参数模型可以求解出概率分布,因此具有全局普适性,而且只需要较小的计算代价就可从计算空间习得较好的模型,但其可用性严重依赖先验知识的可信度。非参数模型不使用先验信息,完全依赖数据进行学习,不存在关于数据潜在模式和结构化特性的任何假设,数据的所有统计特性都来源于数据本身,一切都是“所见即所得”,因此具有局部适用性,优点是当训练数据趋于无穷多时,非参数模型可以逼近任意复杂的真是模型,但时空复杂度比参数模型要大得多。

参数模型:线性回归

非参数模型:决策树->随机森林;核SVM

半参数模型:神经网络(层数和神经元确定 → 参数模型,深度学习中dropout → 非参数)

从模型构造来看:

数据模型和算法模型

数据模型类似参数模型,而算法模型类似非参数模型。

数据模型的代表:线性回归,其可解释性强,但简单模型有时不能充分体现出复杂作用机制。

算法模型的代表:随机森林,可解释性弱,但可描绘复杂的数据,精确度高。

从学习对象角度来看:

生成模型和判别模型

生成模型:学习的对象是输入 x 和输出 y 的联合分布 p(x,y)

判别模型:已知输入 x 的条件下,输出 y 的条件分布 p(y|x)

西瓜分类是一个常见的机器学习问题。在这个问题中,我们想要通过西瓜的属性来预测西瓜的种类。为了解决这个问题,我们可以使用MATLAB软件。 首先,我们需要收集一些带有标签的西瓜样本数据。这些样本数据应包含西瓜的特征属性,如大小、形状、纹理、敲声等,并且每个样本应有一个标签,表示其种类,如好瓜或坏瓜。 接下来,我们可以使用MATLAB的机器学习工具箱来构建一个分类模型。可以选择使用不同的分类,如决策树、支持向量机或神经网络。这些算可以根据样本数据中的特征属性来学习西瓜的分类规则,并生成一个能够对新的未知西瓜进行分类模型。 在使用MATLAB构建模型之后,我们可以使用训练好的模型对新的未知西瓜进行分类预测。只需将新西瓜的属性输入到模型中,并根据模型的输出结果判断该西瓜的类别。例如,如果模型预测结果为好瓜,则可以判断该西瓜是好瓜,反之则为坏瓜。 最后,我们可以评估模型的性能。可以使用交叉验证来评估模型在未知数据上的分类准确度。同时,也可以通过调整模型参数或尝试其他算来改善模型的性能。 总的来说,使用MATLAB进行西瓜模型分类预测,我们可以通过收集带有标签的西瓜样本数据,构建分类模型,并通过模型对新的未知西瓜进行分类预测。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值