机器学习
文章平均质量分 96
Jarlene
这个作者很懒,什么都没留下…
展开
-
机器学习入门之感知机
感知机感知机是二类分类线性分类模型,输出的值为{+1, -1}两种类型;感知机是利用超平面将两类分离,再次我们将通过三个方面对感知机进行详细的阐述。分别是感知机模型,感知机学习策略,感知机学习算法。感知机模型假设输入空间(特征空间)是X∈Rn,输出空间是Y={+1, -1}。输入x∈X表示实例特征向量。对应于输出空间(特征空间)的点:输出y∈Y表示实例类别,由输入空间到输出空间的如下函数: f(原创 2016-11-07 17:53:01 · 4557 阅读 · 0 评论 -
机器学习入门之多项式曲线拟合
多项式曲线拟合机器学习和人工智能是最近几年特别火的领域,比如微软小冰、微软cortana、苹果siri、谷歌Now和alphaGo都使用了机器学习,使得他们的产品变得更加智能。 当然除了这些科技巨头,其实我们日常中也可能会使用到人工智能的产品,比如最常见的就是app上的个性化推荐,通过多维度分析用户的个性,给用推荐合适的内容,当然我个人是很讨厌推荐的,基本不点开看。下面我将分为两个部分来阐述多项式原创 2016-08-26 10:57:14 · 36266 阅读 · 6 评论 -
机器学习入门之决策树法
决策树法1、决策树模型与学习1.1、决策树模型分类决策树模型是一种描述对实例进行分类的树形结构,决策树由结点和有向边组成。结点分为两种,内部结点和叶子结点;内部结点表示一个特征或者属性;叶子结点表示一个类。用决策树分类,从根结点开始,对实例的某一个特征进行测试,根据测试结果,将实例分配到其子结点上。这时每一个子结点对应于该特征的一个取值。如此递归对实例进行测试并分配。直到到达叶结点,最后将实例分到叶原创 2016-11-16 17:10:25 · 4978 阅读 · 0 评论 -
机器学习入门之朴素贝叶斯法
之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分类方法。对于给定训练集,首先基于特征条件独立性的假设,学习输入/输出联合概率(计算出先验概率和条件概率,然后求出联合概率)。然后基于此模型,给定输入x,利用贝叶斯概率定理求出最大的后验概率作为输出y。朴素贝叶斯法实现简单,学习和预测效率都很高,是一种常用的分类方法。1、朴素贝叶斯法的学习与分类1.1、基本方法设输入空间X∈Rn为n维向量的原创 2016-11-14 15:05:57 · 4949 阅读 · 0 评论 -
GBDT几问
GBDT几问本篇文章主要介绍GBDT基本原理以及一些细节性的东西,这些东西更多在面试使用,或者对于二次创新使用,主要内容有以下几个方面:GBDT几问Boosting算法Bagging算法介绍GBDT基本原理GBDT如何正则化GBDT分裂规则GBDT的“梯度提升”体现在那个阶段GBDT如何做特征选择GBDT为什么使用cart回归树而不是使用分类树为什么GBDT的树深度较...原创 2018-03-31 11:21:43 · 8752 阅读 · 5 评论 -
Logistic Regression几问
Logistic Regression几问Logistic Regression几问LR原理LR代价函数是什么LR激活函数为什么是sigmoidLR与最大熵模型的关系LR如何防止过拟合以及为什么这些手段可以防止过拟合如何利用LR解决非线性问题LR原理在线性回归的模型中,是求出输出特征向量Y和输入样本矩阵X之间的线性关系系数θ,满足Y=Xθ,此时Y是连续的,...原创 2018-04-02 16:27:07 · 436 阅读 · 0 评论