机器学习课程总结【2019年秋】

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。
摘要由CSDN通过智能技术生成

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(Ci) 和类似然 p(x|Ci) ,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 gi(x)=log P(Ci|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 Reduc

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
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