机器学习
xk_005
平淡·努力·生活
展开
-
第四章 朴素贝叶斯法
第四章 朴素贝叶斯法朴素贝叶斯法是基于贝叶斯定理和特征条件独立假设的分类方法。对给定的数据集,实现NB如下基于特征条件独立假设学习输入输出的联合概率分布;基于模型,对输入xxx,利用贝叶斯定理求出后验概率最大的输出yyy。4.1 朴素贝叶斯法的学习与分类4.1.1 基本方法对于由P(X,Y)P(X,Y)P(X,Y)独立同分布产生的数据集T={(x1,y1),(x2,y2),...,(xN,yN)}T=\{(x_1,y_1),(x_2,y_2),...,(x_N,y_N)\}T={(x1,y原创 2020-10-27 13:41:34 · 112 阅读 · 0 评论 -
第二章 感知机
第2章 感知机感知机1957年由Rosenblatt提出,是神经网络与支持向量机的基础。2.1 感知机模型感知机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-1二值,其属于判别模型。表示如下:f(x)=sign(w⋅x+b)(2.1)f(x)=sign(w\cdot x+b)\tag{2.1}f(x)=sign(w⋅x+b)(2.1)其中w∈Rnw\in R^nw∈Rn表示权值或权值参数;和b∈Rb\in Rb∈R表示偏置,均为为感知机参数。x∈Xx\in \ma原创 2020-10-24 13:18:59 · 176 阅读 · 0 评论 -
第一章 统计学习及监督学习概论(三)
1.3 统计学习方法三要素统计学习方法都是由模型、策略和算法构成,即三要素。可以简单的表示为:方法=模型+策略+算法。可以说构建一种统计学习方法就是确定具体的三要素。监督学习、非监督学习和强化学习等都有三要素,下面以监督学习为例。1.3.1 模型统计学习首要考虑的问题是学习什么样的模型。模型即要学习的条件概率分布或决策函数,模型的假设空间包含所有的条件概率分布或决策函数,故一般是无穷多。假设空间可以定义为决策函数的集合:F={f∣Y=f(X)}(1)F= \{ f|Y=f( X )\}\tag{1原创 2020-07-12 12:14:46 · 203 阅读 · 0 评论 -
第一章 统计学习及监督学习概论(二)
1.2 统计学习的分类1.2.1 基本分类统计学习一般包括监督学习、无监督学习和强化学习,有时还包括半监督学习、主动学习。1.监督学习监督学习(supervised learning)是指从标注数据中学习预测模型的机器学习问题。其本质是学习输入输出的映射统计规律。(1)输入空间、特征空间和输出空间输入与输出所有可能取值的集合分别称为输入空间和输出空间。输入和输出空间的大小可以有限也可是无限集,当然其可以是同一空间也可以是不同空间。一般情况下输出空间远远小于输入空间。每个具体的输入实例,通常由一原创 2020-07-11 16:44:13 · 549 阅读 · 0 评论 -
学习资料共享
由于很多资源无法上传有需要的可以评论,邮箱发送,共享资源。原创 2020-02-07 08:18:59 · 256 阅读 · 0 评论