- 班级所有博文发布时间分布(24小时制):
-
机器学习第二次作业——第四章学习笔记
思维导图 学习笔记 -
模式识别与机器学习(第四章学习记录和心得)
思维导图 学习模型 一、判别模型 1.1 线性判据 1.1.1 简介 学习过程 监督式学习 识别过程 将待识别样本代入训练好的判据方程 目标函数(也可加入正则项提高泛化能力) 目标函数的求解 (1) 最小化/最大化目标函数 (2) 解析求解(求偏导)/迭代求解(梯度下降法) (3) 约束条件 梯度下 -
《机器学习》第二次作业——第四章学习记录和心得
#第四章线性判别与回归 ##4.1线性判据基本概念 判别模型:给定训练样本xn,直接在输入空间内估计后验概率p(Ci|x)。 优势: 快速直接、省去了耗时的高维观测似然概率估计。 线性判据——最简单的判别模型 ##4.2线性判据学习概述 ###1)设计目标函数 ###2)最大(小)化目标函数——优化 -
《机器学习》第二次作业——第四章学习记录和心得
##思维导图: ##第四章 线性判据与回归 ###一.线性判据基本概念和学习概述 1.生成模型(给定训练样本,直接在输入空间内学习其概率密度函数) 优势:可以根据采样新的样本数据;可以检测出较低概率的数据,实现离群点检测。 劣势:高维的x,需要大量训样本才能准确的估计(维度灾难问题)。 2.判别模型 -
《机器学习》第二次作业——第四章学习记录和心得
思维导图: 1.线性判据基本概念 生成模型 概念:给定训练样本 {𝒙𝑛},直接在输入空间内学习其概率密度函数𝑝(𝒙)。优势:可以根据𝑝 𝒙 采样新的样本数据(synthetic data);可以检测出较低概率的数据,实现离群点检测 劣势;如果是高维的𝒙,需要大量训练样本才能准确的估计� -
《机器学习》第二次作业——第四章学习记录和心得
学习笔记: 思维导图: -
机器学习第二次作业——第四章学习笔记
第四章学习笔记 -
《机器学习》第二次作业——第四章学习记录和心得
第四章 线性判据与回归 4.1 线性判据基本概念 ####1.生成模型 给定训练样本 {𝒙𝑛},直接在输入空间内学习其概率密度函数𝑝(𝒙)。 在贝叶斯决策分类中,生成模型通常用于估计每个类别的观测似然概率𝑝(𝒙|𝐶𝑖),再结合先验概率得到联合概率𝑝(𝒙,𝐶𝑖)=𝑝(𝒙|� -
《机器学习》第二次作业——第四章学习记录和心得
#思维导图 #第四章 线性判据与回归 ##4.1、 线性判据基本概念 定义 如果判别模型f(x)是线性函数,则f(x)为线性判据。 可以用于两类分类 也可以用于多类分类,相邻两类之间的决策边界也是线性的。 优势 计算量少:在学习和分类过程中,线性判据方法都比基于学习概率分布的方法计算量少。 适用于训 -
《机器学习》第二次作业——第四章学习记录和心得
《机器学习》第二次作业——第四章学习记录和心得 思维导图 笔记