- 博客(5)
- 收藏
- 关注
RSS订阅原创 Machine Learning Watermelon Book Blog 4
Chapter 5 5.1 神经元模型 在生物神经网络中，每个神经元与其他神经元相连，当它“兴奋”时，会向相连的神经元传递化学物质，从而改变神经元内的电位分布，当电位超过一个“阈值”时，就会被激活，即兴奋起来，向其他神经元发送化学物质。 通过上述情形，McCulloch and Pitts在1943年创建了一个“M-P神经元模型”。 在这个模型中，神经元接受来自n个其他神经元传递过来的输入信号，这些输入信号通过带权重的连接进行传递，神经元接收到的总输入值将与神经元的阈值进行比较，通过激活函数产生
2021-07-25 20:16:46
103
原创 Machine Learning Watermelon Book Blog 3
Chapter 4 决策树（decision tree） 4.1 基本流程 一个决策树包含一个根结点，若干个内部结点和若干个叶结点；叶结点对应于决策结果，其他每个结点则对应于一个属性测试；每个结点包含的样本集合根据属性测试的结果被划分到子结点中；根结点包含样本全集。 目的：产生一颗泛化能力强，即处理未见示例能力强的决策树，其基本流程遵循简单且直观的”分而治之“（divide-and-conquer）策略。 三种导致递归返回的情形： 1）当前结点包含的样本全属于同一类别，无需划分； 2）当前属性
2021-07-22 15:42:36
78
原创 Machine Learning Watermelon Book Blog 2
Chapter Three Linear Model(线性模型) 3.1 基本形式 Example：x = {x1;x2;...;xd}，其中xi是x在第i个属性上的取值，而线性模型试图学得一个通过属性的线性组合来进行预测的函数，即： f(x) = w1*x1 + w2*x2 + ... + wdxd + b。 向量形式： f(x) = w^T * x + b，其中w = (w1;w2;...;wd)。 3.2 线性回归 确定w和b的关键在于让均方误差最小化，即： ...
2021-07-19 17:26:44
107
原创 Machine Learning Watermelon Book Blog 1
Chapter One 数据集：所有数据的集合，D={x1, x2, x3..., xn} 表示包含m个示例的数据集。 学习(learning)/训练(training)：从训练数据(training data)中学习模型的过程，该过程通常通过某个学习算法完成。 泛化能力(generalization)：学得模型适用于新样本的能力。 归纳偏好(inductive bias)：机器学习算法在学习过程中对某种类型假设的偏好，任何一个有效的机器学习算法必须有其归纳偏好。 奥卡姆剃刀(Occam's ra
2021-07-13 21:03:04
87
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人