![](https://img-blog.csdnimg.cn/20201014180756925.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
UCAS
SuckerForPain
这个作者很懒,什么都没留下…
展开
-
模式识别与机器学习 | 第三章 判别函数
3.1 线性判别函数3.2 广义线性判别函数3.3 分段线性判别函数3.4 模式空间和权空间3.5 Fisher线性判别3.6 感知器算法3.7 采用感知器算法的多类模式的分类3.8 可训练的确定性分类器的迭代算法3.9 势函数法 — 一种确定性的非线性分类算法3.10 决策树简介3.1 线性判别函数3.1.1 用判别函数分类的概念模式识别系统的主要作用判别各个模式...原创 2019-01-03 15:52:08 · 7754 阅读 · 0 评论 -
模式识别与机器学习 | 第四章 特征选择和提取
特征选择和提取是模式识别中的一个关键问题前面讨论分类器设计的时候,一直假定已给出了特征向量维数确定的样本集,其中各样本的每一维都是该样本的一个特征;这些特征的选择是很重要的,它强烈地影响到分类器的设计及其性能;假若对不同的类别,这些特征的差别很大,则比较容易设计出具有较好性能的分类器。 特征选择和提取是构造模式识别系统时的一个重要课题在很多实际问题中,往往不容易找到那些最重...原创 2019-01-04 19:04:58 · 2577 阅读 · 0 评论 -
模式识别与机器学习 | 机器学习简介
1. 什么是机器学习2. 机器学习的流派与发展3. 方法分类传统学习范式 最近的学习范式 学习策略4. 学习例子原创 2019-01-05 08:58:16 · 383 阅读 · 0 评论 -
模式识别与机器学习 | 概率图模型 | 有向图模型
概率图模型 = 概率 + 结构节点表示随机变量/状态,边表示概率关系类型有向概率图模型 或 贝叶斯网络: 因果关系无向图模型 或 马尔科夫随机场: 关联关系 有向概率图模型定义:有向图 G=(V,E) 包含一个点集合V 和一个边的集合E ,其中每条边为有序点对。有向图模型可以表示因果关系我们经常观察子变量并去推断出父变量的分布例:◼ 隐马尔科夫模型◼ 卡尔...原创 2019-01-10 19:59:52 · 860 阅读 · 0 评论 -
模式识别与机器学习 | 概率图模型 | 无向图
无向图模型(马尔科夫随机场)定义:一个无向图G=(V,E)包含节点集合V和边的集合E,边由点对组成。还是之前的三个关注点:1. 概率分布 ---> 用于查询/推断2. 表示 ---> 具体实现3. 条件独立 ---> 模型的解释 先来看条件独立3. 条件独立图分割理论:可以被Given的点分割的点相互独立。"可达性"右图...原创 2019-01-10 20:56:57 · 646 阅读 · 0 评论 -
模式识别与机器学习 | 概率图模型 | HMM
隐马尔科夫模型(Hidden Markov Model ,简称HMM) 是建模序列数据的图模型 是混合模型的一种推广。 顶层节点表示多项式变量yt,底层节点表示观测变量xt 条件独立给定状态yt则yt-1和yt+1是独立的。一般来说,给定状态yt,ys独立于yu,(s<t ,t<u)。当给定状态节点yt,输出节点xs和xu也相对独立。给定输...原创 2019-01-11 00:04:06 · 530 阅读 · 0 评论 -
模式识别与机器学习 | 第二章 统计判别
模式识别的目的:确定某一个给定的模式样本属于哪一类。贝叶斯判别原则两类模式集的分类目的:要确定x是属于ω1类还是ω2类,要看x是来自于ω1类的概率大还是来自ω2类的概率大。贝叶斯定理是关于随机事件A和B的条件概率(或边缘概率)的一则定理。其中P(A|B)是在B发生的情况下A发生的可能性。由贝叶斯定理,后验概率P(ωi | x)可由类别ωi的先验概率P(ωi)和x的条件概率密度p(x...原创 2019-01-02 17:32:48 · 1362 阅读 · 0 评论 -
计算机算法设计与分析 | 网络流
我们关注最大流问题,具体例子如下图: 重要定义:剩余图即,在剩余图中,u,v之间包含2条边:反向边(v,u),容量为f(e);正向边(u,v),容量为C(e)-f(e)。 增加:可退回边这里step3 的剩余图 5->4 应该是10,而不是6;这样的话,step4的左图(即优化后的路径),s->3为7,后续依次类推。...原创 2019-01-08 16:21:34 · 1195 阅读 · 0 评论