![](https://img-blog.csdnimg.cn/20201014180756923.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
wheat机器学习notes
文章平均质量分 67
CassielBodhi
这个作者很懒,什么都没留下…
展开
-
机器学习-深度学习入门--【SVM上算法】(notes4)
SVM算法 文章目录SVM算法基础介绍一般框架线性可区分与线性不可分定义例子: 基础介绍 最早1963年提出,目前版本在1993年提出,在1995年发表; 一般框架 训练集=>提取特征向量=>结合一定算法(分类器:比如决策树,KNN)=>得到结果 SVM寻找区分两类的超平面,使边际(margin)最大 问:如何选取边际最大的超平面? 答:超平面到一侧最近点的距离等于到另一侧最近点的距离,两侧的两个超平面平行。 线性可区分与线性不可分 标准:能否找到最大超平面来区分。 定义 超平面定义:原创 2020-07-31 12:00:02 · 200 阅读 · 0 评论 -
机器学习-深度学习入门--【KNN算法】(notes3)
监督学习–分类(KNN算法) 文章目录==监督学习–分类(KNN算法)==最邻近规则分类算法步骤:关于距离的衡量方法:优点缺点改进 最邻近规则分类 1968年提出的分类算法,输入基于实例的学习,懒惰学习。 算法步骤: 为了判断未知实例的类别,以所有已知类别的实例作为参照; 选择参数K; 计算未知实例与所有已知实例之间的距离; 选择最近的K个已知实例; 根据少数服从多数的投票法则,让未知实例归类为K个最邻近样本中最多数的类别。 关于距离的衡量方法: 计算两点(二维坐标)之间距离的方法; 弦值; 相关度;原创 2020-07-29 00:15:53 · 134 阅读 · 0 评论 -
机器学习-深度学习入门--决策树算法(notes2)
监督学习–分类(决策树算法) 文章目录==监督学习--分类(决策树算法)==基本概念决策树归纳算法(ID3) 机器学习中分类和预测算法的评估: 准确率 速度 强壮型 可规模性 可解释性 基本概念 决策树(Decision Tree)/判定树:类似于流程图的树结构,其中, 每个内部节点表示在一个属性上的测试; 每个分支代表一个属性输出; 而每个树叶结点代表类或类分布; 树的最顶层是根结点。 熵(entropy)概念:信息的度量就等于不确定性的多少; 自信息: 对于一原创 2020-07-28 23:27:51 · 204 阅读 · 0 评论 -
机器学习 -深度学习入门---基础概念(notes1)
机器学习-入门1知识铺垫机器学习概念介绍深度学习概念介绍基本概念机器学习步骤框架 知识铺垫 机器学习概念介绍 概念:多领域交叉学科,专门研究计算机怎样模拟或实现人类的学习行为,获取新的知识技能,重新组织已有的知识结构使之不断改善自身性能。 学科定位:人工智能的核心。 定义:探究和开发一系列算法来如何使计算机不需要通过外部明显指示,而可以自己通过数据来学习,建模,并且利用建好的模型和新的输入来进行预测的学科。 学习:针对经验和一系列任务和一定表现的衡量,如果随着经验的积累,针对定义好的任务可以提高表现,就说原创 2020-07-17 14:45:46 · 110 阅读 · 0 评论