首页 - 2018级计算机实验班《机器学习》 - 福州大学 - 班级博客

##4.1 线性判据基本概念生成模型：直接在输入空间中学习其概率密度p(x) 判别模型：给定训练样本，直接在输入空间内估计后验概率p(Ci|x) 优势：快速直接 ###线性判据判别模型f(x)是线性函数，则f(x)为线性判据优势：计算量少；适合训练样本较少时数学表达：决策边界：任意样本x

含光hu  2021-05-27 21:05  0  82

思维导图：第四章-线性判据与回归线性判据基本概念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)。优势：可以根据p(x)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：在高维空间会出现维度灾难问题。判别模型给定训练样本{xn}，直接在输

Synnn  2021-05-27 21:04  0  166

第四章思维导图学习笔记

Yukyyy7  2021-05-27 20:57  0  32

#第四章：线性判据与回归 ##思维导图 ##4.1线性判据基本概念生成模型：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)。优点：①可以根据𝑝(𝒙)采样新的样本数据；②可以检测出较低概率的数据，实现离群点检测。缺点：如果是高维的𝒙，需要大量训练样本才能准确的

3xxxv5  2021-05-27 20:49  0  61

##思维导图 ##4.1、线性判据基本概念 ###一．生成模型(Generative Model) 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)。 2.优势与劣势（1）优势：a.可以根据𝑝 𝒙 采样新的样本数据可以检测出较低概率的数据（2）劣势：对

whitecloud  2021-05-27 19:48  0  471

4.1 线性判据基本概念判别模型给定训练样本{$x_n$},直接在输入空间内估计后验概率P($C_i$|x)。优势：快速直接、省去了耗时的高维观测似然概率估计。线性判据定义：模型和公式决策边界： 4.2 线性判据学习概述 1.学习和识别过程学习参数:w和$w_0$ 识别过程：

sjh_k  2021-05-27 19:37  0  82

4.1 线性判据基本概念生成模型：直接在输入空间中学习其概率密度p(x)，对于贝叶斯分类，用作观测似然。然后可以通过这个p(x)生成新的样本数据；也可以检测出较低概率的数据，进行离群点检测。但是p(x)需要大量的数据才能学习得好，不然会出现维度灾难。判别模型：直接在输入空间输出后验概率。快速，省

kikikio  2021-05-27 19:25  0  73

#第四章：线性判据与回归 ##4.1线性判据基本概念生成模型：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)。优点：①可以根据𝑝(𝒙)采样新的样本数据；②可以检测出较低概率的数据，实现离群点检测。缺点：如果是高维的𝒙，需要大量训练样本才能准确的估计𝑝(𝒙

skyjay  2021-05-27 18:37  0  74

##第四章线性判据与回归 ###4.1 线性判据基本概念生成模型在 xn 中直接学习：p(x) 以贝叶斯为例：生成模型 ——(估计)——> 观测似然概率 ——+先验概率——> 联合概率 ——积分——> 边缘概率密度函数 P(x) ——> 后验概率 P(Ci,x) 缺点：在高维空间会出现维度灾难

WuHuPilot  2021-05-27 18:37  0  96

##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——优化技术、解析求解（求偏导（

C丶Queen  2021-05-27 17:24  0  189