- 博客(3)
- 资源 (2)
- 收藏
- 关注
RSS订阅原创 机器学习：神经网络
1 神经元模型神经网络中最基本的成分是神经元模型。2 单层感知器输入节点：X1,X2,X3输出节点：y权向量： W1,W2,W3偏置因子：b激活函数：当x>=0,sign(x)=1；当x<0,sign(x)=-1。举例：取W1=W2=W3=0.5 ，b=-0.8当0.5x1+0.5x2+0.5x3-0.8>=0时，Y=1当0.5x1+0.5x2+0.5x3...
2019-06-06 16:23:09
265
1
原创 机器学习：支持向量机
1 间隔与支持向量基本思路：基于训练集D在样本空间中找到一个划分超平面，将不同类别的样本分开。直观上看，应该找位于两类训练样本“正中间”的划分超平面，即上图中红色那个。这样划分超平面所产生的分类结果是最鲁棒的，对未见示例的泛化能力最强。超平面的线性方程：其中w=(w1,w2,⋯,wN)为法向量，决定了超平面的方向，b为位移项，决定了超平面与原点之间的距离。目标：SVM寻找区分两类的超...
2019-05-30 16:22:31
260
原创 机器学习——第四章 决策树
决策树原理介绍决策树（decision tree）是一类常见的机器学习方法，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。划分选择决策树学习的关键在于，在每个分裂节点处如何选择最优划分属性。一般而言，随着划分过程不断进行，我们希望决策树的分支节点所包含的样本尽可能属于同一类别，即节点的“纯度”越来越高。信息论基础信息熵：是度量样本集合纯度最常用的一种指标，代表一个系统中蕴含...
2019-05-23 20:13:41
214
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人