台大机器学习 第八讲 Noise and Error 笔记

最新推荐文章于 2019-10-14 20:56:13 发布
最新推荐文章于 2019-10-14 20:56:13 发布
阅读量545 收藏
点赞数
分类专栏： 机器学习 读书笔记
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/vinacky/article/details/40351755
版权
本文探讨了在算法中引入错误权值的概念及其衡量方法，包括直接提供正确答案（ture）、说服自己接近预期（plausible）及易于算法优化（friendly）。通过不同权值的考量，算法能在复杂情况下做出更合理的更新。
摘要由CSDN通过智能技术生成

                                               g

                                 +1                     -1                      

                   +1      no error                 M

          f

                   -1           N                   no error

其中N和M是对错误的判断的权值，根据他错误的严重性决定这个值得大小

 

错误权值的衡量方法：

1.ture     直接被提供正确的

2.plausible    说服自己，自己看来和预期结果差不多

3.friendly     easy to optimize for A(演算法)

 

 

演算法要考虑权值进行计算，不再是同等情况下进行更新

vinacky
关注
专栏目录
林轩田《机器学习基石》（八）—— Noise and error
weixin_43463276的博客
07-24 284
上一节课，我们主要介绍了VC Dimension的概念。如果Hypotheses set的VC Dimension是有限的，且有足够多N的资料，同时能够找到一个g使它的，那么就能说明机器学习是可行的。 之前我们说过含noise的问题，现在我们看加上noise会不会对整个推导有影响？即VC bound还会不会作用的很好？ 一、噪音：noise 我们看一下带noise的学习问题的流程图： 资料的noise主要来源有（以信用卡为例）： 1.标签y的noise，比如一个好顾客有坏标签 2.标签y的n
Noise 和 Error
m0_37937932的博客
05-24 384
一、有Noise 时vc bound依旧成立 在之前推导vc bound 的时候，我们假设样本空间里没有Noise，自然抽样样本中也不会有Noise。当hypothesis 的dvc有限，N足够大，Ein（h）足够小，我们就说机器有所学习。但是当样本空间中夹杂了Noise后，我们还能有这套理论的成立吗？ 解决思路：原先的target函数是确定的，对于每一个样本来说，都有唯一个标签。但现在我们可假设...
机器学习基石8-Noise and Error
weixin_30608503的博客
04-18 122
注： 文章中所有的图片均来自台湾大学林轩田《机器学习基石》课程。 笔记原作者：红色石头 微信公众号：AI有道 上一节课，我们主要介绍了VC Dimension的概念。如果Hypotheses set的VC Dimension是有限的，且有足够多的资料\(N\)，同时能够找到一个hypothesis使它的\(E_{in}\approx 0\)，那么就能说明机器学习是可行的。本节课主要讨论数据集有No...
台湾大学林轩田机器学习基石课程学习笔记8 -- Noise and Error
红色石头的专栏
05-09 7534
我的CSDN博客地址：红色石头的专栏 我的知乎主页：红色石头 我的微博：RedstoneWill的微博 我的GitHub：RedstoneWill的GitHub 我的微信公众号：红色石头的机器学习之路（ID：redstonewill） 欢迎大家关注我！共同学习，共同进步！ 上一节课，我们主要介绍了VC Dimension的概念。如果Hypotheses se...
台湾国立大学机器学习基石.听课笔记（第八讲）：Noise and Error
Paul_Huang的专栏
08-11 779
台湾国立大学机器学习基石.听课笔记（第八讲）：Noise and Error 一、噪音与概率目标函数（Noise and Probalistic Target） 1、几种错误： (1) noise in y: mislabeled data;  (2) noise in y: different labels for same x; (3) noise in x: err
机器学习 | 台大林轩田机器学习基石课程笔记8 --- Noise and Error
sdu_hao的博客
10-14 287
课程主页 课程视频和PPT 上一节课，我们主要介绍了VC Dimension的概念。如果Hypotheses set的VC Dimension是有限的，且有足够多N的数据，那么,同时能够找到一个hypothesis使它的,那么就能说明机器学习是可行的。本节课主要讲了数据集有Noise的情况下，是否能够进行机器学习，并且介绍了假设空间H下演算法A的Error估计。 目录 1. Noise a...
台湾大学林轩田《机器学习基石》学习笔记第8讲——Noise and Error
Stoneeeee的博客
09-19 407
上节课介绍VC Dimension的定义，从有限的dvcd_{vc}dvc​推导出VC bound，但其实基于Data Set是在没有Noise的情况下，本节课讨论如果Data Set本身存在Noise，那VC Dimension的推导是否还成立呢？ 一、Noise and Probabilistic Target 仍然以银行是否给客户发放信用卡为例，说明Noise的来源主要有三类： nois...
台湾国立大学（林轩田）《机器学习基石》（第7-8讲）VC Dimension ，Noise and Error
malele4th
01-18 256
课程地址：https://class.coursera.org/ntumlone-001/class 课件讲义：http://download.csdn.net/download/malele4th/10208897 注明：文中图片来自《机器学习基石》课程和部分博客 建议：建议读者学习林轩田老师原课程，本文对原课程有自己的改动和理解 目录 目录 Lecture 7 The
台湾大学林轩田《机器学习基石》学习笔记第14讲——Regularization
Stoneeeee的博客
10-03 377
上节课我们介绍了过拟合发生的原因：excessive power, stochastic/deterministic noise 和limited data。并介绍了解决overfitting的简单方法。本节课，我们将介绍解决overfitting的另一种非常重要的方法：Regularization规则化。 In general, regularization is a technique th...
台大机器学习笔记(8)——Error Measure
03-30 731
8.1 Noise and Probabilistic Target　　当存在噪声数据时，由于所得到的结果未必是真实的结果，因此模型不再是确定性函数h(x)h(x)，而是概率分布p(y|x)p(y|x)，损失函数也变成了y p(y│x)y~p(y│x)下y≠f(x)y≠f(x)。可以认为p(y|x)p(y|x)给预测结果带来的不确定性是由噪声数据造成的。同时，过去的确定性函数h(x)h(x)可以看做
台湾大学林轩田《机器学习基石》学习笔记第9讲——Linear Regression
Stoneeeee的博客
09-26 353
从这节课开始就进入机器学习基石这门课的下半部分，之前的课程中介绍了linear classification的问题，这节课将继续介绍一个新的问题：Linear Regression(线性回归)。 一、Linear Regression Problem 首先，仍然以信用卡发放为例，这一次问题改为如何给发放信用卡的用户设定信用额度？ 这种输出空间不再是0或1，而是整个实数R的问题，我们称之为Lin...
台湾大学林轩田《机器学习基石》学习笔记第11讲——Linear Models for Classification
Stoneeeee的博客
10-01 359
一、Linear Models for Binary Classification
芋道管理后台，基于 vben 最新版本，最新的 vue3 vite4 ant-design-vue 4.0 typescript
10-31
ruoyi-vue-pro-vben 芋道管理后台，基于 vben 最新版本，最新的 vue3 vite4 ant-design-vue 4.0 typescript 语法进行重构开发，支持 springboot3 springcloud 版本
长春工程学院在四川2020-2024各专业最低录取分数及位次表.pdf
10-31
那些年，与你同分同位次的同学都去了哪里？全国各大学在四川2020-2024年各专业最低录取分数及录取位次数据，高考志愿必备参考数据
yolo算法-自动驾驶道路交通锥数据集-110张图像带标签-蓝黄色automatic-v62ff.zip
10-31
yolo系列算法目标检测数据集，包含标签，可以直接训练模型和验证测试，数据集已经划分好，适用yolov5,yolov8,yolov9,yolov7,yolov10,yolo11算法； 包含两种标签格:yolo格式（txt文件）和voc格式（xml文件），分别保存在两个文件夹中; yolo格式：<class> <x_center> <y_center> <width> <height>， 其中： <class> 是目标的类别索引（从0开始）。 <x_center> 和 <y_center> 是目标框中心点的x和y坐标，这些坐标是相对于图像宽度和高度的比例值，范围在0到1之间。 <width> 和 <height> 是目标框的宽度和高度，也是相对于图像宽度和高度的比例值
基于Java语言开发的fruits_manager_system水果管理系统设计源码
最新发布
11-01
该项目是一个基于Java语言开发的水果管理系统设计源码，包含53个文件，其中包括30个Java源文件、13个XML配置文件、6个JAR包文件、1个Git忽略文件、1个属性文件以及1个SQL脚本文件。此系统旨在用于期末答辩展示，展示了开发者对Java编程和系统设计的深入理解。
java回顾、知识整理、拾遗、面试_java-review.zip
10-31
java回顾、知识整理、拾遗、面试_java-review
用struts2，spring，hibernate框架，搭建在线考试系统 网站支持（1）老师创建题库，创建题目，查看题目对题目进
10-31
mysql主从复制用struts2，spring，hibernate框架，搭建在线考试系统。网站支持（1）老师创建题库，创建题目，查看题目对题目进行增删改，发布考试（选择考试难中易比例），批改学生试卷，查看学生成绩。（.zip
一个基于Go语言实现的搜索引擎项目资源.zip
10-31
一个基于Go语言实现的搜索引擎项目资源
机器学习入门：台大林轩田课程笔记
"台大林轩田机器学习笔记（TingxunShi）是一份由TingxunShi编写的关于机器学习的教程，主要涵盖了机器学习的基本概念、应用场景和适用条件。笔记中强调了机器学习是通过数据驱动来提升计算机在特定任务上的表现，与...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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