2018级计算机实验班《机器学习》-
《机器学习》第二次作业——第四章学习记录和心得
#《机器学习》第四章学习记录和心得 #Bienvenu à nouveau ！ ##思维导图 #Chapter 4 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)。 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( -
《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 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： 如果是高维的x，需要大量训练样本才能准确的估计p(x) ;否则，会出现维度 -
《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 在 \({x_n}\) 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(C_i, -
模式识别与机器学习（第一至三章学习记录和心得）
基于距离的分类器源代码 python实现MED分类器 python实现MICD分类器 第一章 模式识别基本概念 模式识别≠机器学习 1. 定义 2. 分类 3. 模式识别的数学解释 值得一提的是，机器学习的任务是学习上图中的函数$f(\boldsymbol)$ 4. 模型 模型(model)：关于已 -
《机器学习》第一次作业——第一至三章学习记录和心得
  ,将待识别模式x从输入空间映射到输出 -
《机器学习》第一次作业——第一至三章学习记录和心得
##第一章 模式识别基本概念 ###1.含义： 根据已有知识的表达，针对待识别模式，判别决策其所属的类别或者预测其对应的回归值。模式识别本质上是一种推理过程。 ###2.两种形式： 模式识别可划分为“分类”和“回归”。分类的输出量是离散的类别表达，而回归的输出量是连续的信号表达（回归值）。回归是分类 -
《机器学习》第一次作业——第一至三章学习记录和心得
《机器学习》第一次作业——第一至三章学习记录和心得 第一章 模式识别基本概念 1.1 什么是模式识别 模式识别的定义：根据已有知识的表达或者说是函数映射，针对待识别模式，判别决策其所属的类别或者预测其对应的回归值，是一种推理过程，可划分为“分类”和“回归”两种形式。 分类：输出量是离散的类别表达，即 -
机器学习笔记（1-3章）
第一章 基本概念 1.1 什么是模式识别 1 什么是模式识别 模式识别应用实例：CV（字符识别、交通标志、动作识别）、人机交互（语音识别）、医学、网络、金融、机器人、无人车…… 2 模式识别基本概念 1）根据任务，模式识别可以划分为“分类”和“回归”两种形式 分类 输出量是离散的类别表达，即输出待识