机器学习
文章平均质量分 95
wxplol
这个作者很懒,什么都没留下…
展开
-
机器学习理论学习:感知机
文章目录机器学习理论学习:感知机一、感知机模型二、感知机的学习策略三、感知机学习算法3.1、感知机算法的原始形式3.2、感知机算法的对偶形式机器学习理论学习:感知机感知机 (Perceptron)是二分类的线性分类模型,其输入为实例的特征向量,输出为实例的类别,取+1和-1。感知机对应于输入空间(特征空间)中将实例划为正负两类的分离超平面,属于判别模型。感知机预测是用学习得到的感知机模型对新的输入实例进行分类,是神经网络与支持向量机的基础。强烈推荐以下参考链接,讲的非常详细。参考连接:机器学习——感原创 2021-11-15 22:59:42 · 1478 阅读 · 0 评论 -
机器学习理论学习:朴素贝叶斯
朴素贝叶斯是根据贝叶斯定理和特征条件独立的分类方法。对于给定数据集,首先会根据特征条件独立的假设计算输入输出联合概率分布,然后基于此模型,对给定的输入,利用贝叶斯定理求出后验概率最大化输出。这里需要说明的是,朴素贝叶斯算法的前提条件是特征之间条件独立,如果特征之间有相互关系,那么该算法效果也不怎么样。同时,对于高维特征,贝叶斯算法只需很少数据下也能表现的很好,而且速度快。对于PCA等降维处理后的特征,其内部本身也存在一定的关联,这种特征也不适用与朴素贝叶斯算法。原创 2020-04-21 16:49:16 · 917 阅读 · 0 评论 -
机器学习理论学习:决策树
决策树是一种基本的分类和回归方法。决策树(Decision Tree)是一种非参数的有监督学习方法,它能够从一系列有特征和标签的数据中总结出决策规则,并用树状图的结构来呈现这些规则,以解决分类和回归问题。决策树算法容易理解,适用各种数据,在解决各种问题时都有良好表现,尤其是以树模型为核心的各种集成算法,在各个行业和领域都有广泛的应用。原创 2020-04-07 19:32:55 · 514 阅读 · 0 评论 -
机器学习理论学习:SVM
原创 2018-01-12 20:42:42 · 229 阅读 · 0 评论 -
机器学习理论学习:SVM(2)
本文接上一篇博客,上一篇博客写到如何计算b,因为所以,b可由下式求得又由E的定义(SMO第一小节中),将E的定义与上式进行合并得:因为固定了前两项,从i=3到m这个值不变,可以用更新前的只进行替换,替换后如下:同理,可得:(2)变量的选择方法对于第一个变量,一般叫做外层循环,我们采用循环遍历的方法。第二个变量,一般叫做内存循环,我们一原创 2018-01-15 22:44:01 · 227 阅读 · 0 评论 -
机器学习理论学习:基于python的SVM实践
通过前面两篇文章的学习,这里我们简单的用python代码实现SVM,通过前面两篇文章,我们知道在求解SVM模型之前我们需要知道alpha(拉格朗日乘子),然后计算w和b,这样才能得到模型,其相应的公式如下:计算alpha:计算w:计算b:(1)定义存储所有的数据的数据结构'''功能:计算核函数输入:X-整个数据集 A-第原创 2018-01-17 17:00:36 · 580 阅读 · 0 评论 -
常见的机器学习相关评价指标
在使用机器学习模型的过程中,我们不可避免都会碰到如何评价我们模型到底是好还是坏?或者我们再看别人论文时,总会遇到一些比如:“准确率”、“召回率”之类的东西。博主记性不好总是忘记傻傻的分不清,总是搞混。所以,在这记录下一些常见的评价指标。分类器在测试集数据集上预测或正确或不正确,总共会出现四种情况TP: true positive—将正类样本预测为正 TN:true negative—将负...原创 2020-06-25 20:53:13 · 1463 阅读 · 0 评论