![](https://img-blog.csdnimg.cn/20201014180756928.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器学习--斯坦福
文章平均质量分 75
vv428047423
这个作者很懒,什么都没留下…
展开
-
对回归方法的认识
回归问题:属于有监督问题,可以处理多维数据 连续型模型,受噪声影响较大核心思想:从离散的统计数据中得到数学模型,然后将该数学模型用于预测或者分类。CF:分类问题:如果要预测的目标是离散的 回归问题:如果要预测的目标是连续的几个概念输入数据:x,一般是训练集或者是训练数据输出数据:y拟合函数:y=h(x)一、线性回归 线性回归假设特征(x)和结果(...原创 2018-03-25 16:18:26 · 421 阅读 · 0 评论 -
判别模型、生成模型与贝叶斯方法
一、判别模型与生成模型 判别模型:用特征值来求结果的概率,形式化表示为,在参数确定的情况下,求解条件概率。通俗的解释为在给定的特征后预测结果出现的概率。 生成模型: 或p(y) - 生成模型:无穷样本==》概率密度模型 = 产生模型==》提取特征,预测(求条件概率) - 判别模型:有限样本==》判别函数 = 预测模型==》提取特征,求概率大小(求联合概率)常见的判别模型:线性回...原创 2018-03-25 17:53:41 · 2232 阅读 · 0 评论 -
规则化和模型选择
一、交叉验证训练集S,模型集合M1、简单交叉验证:70%S训练M,训练出参数,求得假设函数h,在30%S上得到相应的经验错误,选择最小的最为最好的模型2、k折交叉验证:将交叉验证的测试集/k,每个模型训练k次,测试k次,得到的错误率/k。一般k取10。3、留一交叉验证:每次只留一个样例作为测试。(用于数据稀疏的情况)二、特征选择严格来讲也是模型选择的一种1、为什么要做特征选择在有限的样本数目下,用...原创 2018-03-25 21:58:22 · 11264 阅读 · 0 评论