模式识别算法详解
该专栏主要是针对 主要的模式识别算法:决策树(ID3,C4.5)、CART、关联规则、支持向量机、神经网络、主成分分析、核主成分分析、奇异值分解、逻辑回归、期望最大值化、线性鉴别分析等的数学证明。
Captain_zp
扎根于土地,有志于学!
展开
-
线性鉴别分析(LDA)之二分类问题
线性鉴别分析二分类问题原创 2014-04-29 09:53:05 · 4988 阅读 · 0 评论 -
模式识别、推荐系统中常用的两种矩阵分解-----奇异值分解和非负矩阵分解
矩阵的奇异值分解:原创 2014-04-02 12:05:23 · 5885 阅读 · 2 评论 -
支持向量机(Support Vector machine)--libSvm中自定义核的扩展
首先给出常用的核,懒的学怎么在博客中用Latex,直接上传Latex文档的jpp格式原创 2014-02-28 15:32:35 · 2163 阅读 · 0 评论 -
libsvm中添加自定义核源码(添加常用的十个)
首先给出在svm.h和svm.cpp中添加的部分原创 2014-02-28 15:43:46 · 2965 阅读 · 3 评论 -
支持向量机(support vector machine)--模型的由来
支持向量机 模型的由来原创 2014-03-24 14:57:44 · 9116 阅读 · 22 评论 -
高斯判别分析与高斯混合分布之庖丁解牛(第一集)
数学是科学的皇后 ——“数学王子”高斯正态分布的历史:谈及正态分布的历史,不得不提两位数学家,第一位,Abraham de Moivre(法国裔英国籍数学家 1667.05.26---1754.11.27 中文翻译:德莫佛),在1733年,首次提出了正态分布;第二位是“数学王子”,约翰·卡尔·弗里德里希·高斯(原创 2014-03-31 15:04:06 · 4535 阅读 · 0 评论 -
“上帝的算法”在高斯混合分布中的应用
吴军老师在《数学之美》中称期望最大值化算法为“上帝的算法”,下面就讨论EM算法在高斯混合分布中的应用。接高斯判别分析与高斯混合分布之庖丁解牛(第一集)最后剩下的问题继续讨论,以下先不谈什么隐含因子,只是单纯的数学演算,过程非常有意思!以下的讨论会用到几点知识,我们先作为补充知识,说一下:补充知识点一:凹函数的定义:设是定义在上的函数,若对任意的和任意的,如果满足以下条件,原创 2014-04-01 12:07:15 · 2383 阅读 · 0 评论 -
决策树之ID3、C4.5、C5.0
决策树之ID3,讲一个例子,就会明白,拿原创 2014-04-06 11:03:00 · 11396 阅读 · 0 评论 -
主成分分析—Principal components analysis
主成分分析原创 2014-04-14 10:29:19 · 3197 阅读 · 0 评论