机器学习课程总结【2019年秋】

最新推荐文章于 2022-01-16 19:24:28 发布

原创

最新推荐文章于 2022-01-16 19:24:28 发布 · 761 阅读

·

0

·

CC 4.0 BY-SA版权

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。

本文是对2019年秋季机器学习课程的总结，涵盖了K-近邻算法、线性回归、线性判别式与逻辑回归，深入探讨了基于似然和判别的分类方法，以及推广线性模型的应用。此外，还介绍了特征工程中的降维技术和人工神经网络的基本概念，包括感知机和神经网络。

文章目录

概述
K-近邻（KNN）
线性回归（Linear Regression）
线性判别式与逻辑回归（Linear Discriminant and Logistic Regression）
- 推广线性模型
特征工程之降维（Dimension Reduction）
人工神经网络（Artificial Neural Network）

概述

K-近邻（KNN）

线性回归（Linear Regression）

线性判别式与逻辑回归（Linear Discriminant and Logistic Regression）

基于似然的分类（likelihood-based classification）:
首先估计先验概率 P(C_i) 和类似然 p(x|C_i) ，再使用贝叶斯规则计算后验密度。然后使用后验密度定义的判别式函数，例如 g_i(x)=log P(C_i|x)。
基于判别式的分类（discriminant-based classification）:
对类之间的判别式形式进行假设，不对密度、输入是否相关做任何假设。在基于判别式的方法中，我们并不关注正确估计类区域的密度，我们所关注的是正确估计类区域之间的边界。

推广线性模型

二次判别式、增加高阶项

特征工程之降维（Dimension Reduction）

人工神经网络（Artificial Neural Network）

概述

最低0.47元/天解锁文章

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

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。