机器学习
文章平均质量分 65
AndyZhang
一些当前好走的路会越走越窄,而一些当前艰难的路却会越走越宽广。
展开
-
机器学习之1-概论
机器(统计)学习一之概论1、统计学习1.1特点1、以计算机及网络为平台,建立在计算机网络之上的;2、以数据为研究对象,是数据驱动的学科;3、目的是对数据进行预测与分析;4、以方法为中学,构建模型并应用模型进行预测与分析5、是概率论、统计学、信息论、计算理论、最优化离线以及计算机科学等多个领域的交叉学科;1.2统计学习的对象对象是数据,从数据出发,提取数据特征,抽原创 2016-05-14 12:05:03 · 732 阅读 · 0 评论 -
机器学习之感知机
感知机是二类分类的线性分类模型,输入为实例的特征向量,输出为实例的类别,取+1和-1二值,感知机对应于输入空间(特征空间)中将实例划分为正负两类的分离超平面,属于判别模型。感知机学习旨在求出将训练数据进行线性划分的分离超平面,为此,导入基于误分类的损失函数,利用梯度下降法对损失函数进行极小化,求得感知机模型。感知机模型:f(x)=sign(w*x +b)其中,w和b是感知机的模型参数,原创 2016-05-31 23:21:24 · 2333 阅读 · 1 评论 -
机器学习之决策树
决策树是一种基本的分类与回归方法。这里主要讨论用于分类的决策树。原创 2016-06-19 23:47:06 · 5529 阅读 · 0 评论 -
朴素贝叶斯法
朴素贝叶斯法是基于贝叶斯原理与特征条件独立假设的分类方法。对于给定的训练数据集,首先基于特这条件独立假设学习输入输出的联合概率分布了然后基于此模型,对于给定的输入x,利用贝叶斯定理求出后验概率最大的输出y。朴素贝叶斯法实现简单,学习与预测的效率都和高,是一种常用的方法。朴素贝叶斯法的学习和分类:原创 2016-06-30 23:48:13 · 5516 阅读 · 2 评论 -
机器学习之KNN(K近邻)
简介k近邻法(K-NN)是一种基本的分类与回归方法。分类时,对新的实例,根据k个最近邻的训练实例的类别,通过多数表决等方式进行预测。k近邻的三要素:k值的选择、距离度量以及分类决策规则。k近邻算法简单、直观,给定一个训练数据集,对于输入的实例,在训练数据集中找到与该实例最近邻的k个实例,这k个实例多数属于某个类,就把该输入实例氛围这个类。k-近邻模型k值的选择k值减原创 2016-06-18 09:03:33 · 1574 阅读 · 0 评论