- 博客(5)
- 收藏
- 关注
RSS订阅原创 【西蒙计算机视觉学习笔记】非线性回归模型
背景：最大似然法学习的简单的线性回归模型的第二个缺点——更正假设：对观测数据x进行非线性变换，使得满足如下（f[·]代表一个非线性变换）——重新建模、学习和推理：最大似然方法：建模：构建关于全局状态的后验函数（似然函数）。原始的模型：令Z←X，学习：最大化上述似然函数，令偏导等于0，求得参数关于已知数据的表达式。原模型的学习结果：令Z←X，推理：将新观测数据和预测分布代入已求得分布参数的模型中，计算关于预测分布的后验概...
2021-10-11 12:33:53
758
1
原创 【西蒙计算机视觉学习笔记】贝叶斯线性回归
背景：简单的线性回归模型①结合了最大似然方法的预测过于自信（分布参数的不确定性没有反映在后验概率中），因此可以通过贝叶斯方法将分布参数可能值的概率分布考虑进去。这意味着，根据新数据预测状态，可以通过参数的概率值对状态的后验概率进行无限加权求和（积分）。①如下（详见【西蒙计算机视觉学习笔记】线性回归模型）： ②前提：假设σ^2已知（只求另一个参数φ可能值得概率分布）。建模：给定样本对，参数的后验分布可以利用贝叶斯法则计算：学习：学习方法：贝...
2021-10-11 11:04:07
460
原创 【西蒙计算机视觉学习笔记】线性回归模型
问题：回归问题，eg. 身体姿势估计的问题，目标输出的全局状态w（身体主要关节的角度）的每个元素都是连续的。目的：根据观测值x来估计一元全局状态w，eg. 根据观测到人的处于未知姿势图像来估计身体角度。通过分割图像得到剪影。 通过跟踪剪影的边提取轮廓。 提取一个根据形状的上下文描述符描述形状的100维测量向量x。 估计包含身体主要关节角度的向量w（十几种，分别估计各个关节的角度）。模型的种类：判别模型——全局状态的分布Pr(w|x)被直接建模。 线性回归模型：...
2021-10-10 16:55:40
332
原创 向量范数（Norms）之间关系的证明
其中，赫尔德氏不等式：摘抄自： Foundations of Machine Learning - second edition - Mehryar Mohri 等 - page 411。
2021-09-24 17:35:00
1081
原创 赫尔德氏不等式（Holder‘s inequality)和柯西-施瓦茨不等式（Cauchy-Schwarz inequality）的证明
摘抄自： Foundations of Machine Learning - second edition - Mehryar Mohri 等 - page 410。
2021-09-24 16:49:31
2896
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人