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
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。p(x)需要大量的数据才能学习得好，否则出现维度灾难。 判别模型——直接在输入空间输出后验概率。快速，省去 -
机器学习第四章学习记录和心得
思维导图 4.1 线性判据基本概念 4.2 线性判据学习概述 4.3 并行感知机算法 4.4 串行感知机算法 4.5 Fisher线性判据 4.6 支持向量机基本概念 4.7 拉格朗日乘数法 4.8 拉格朗日对偶问题 4.9 支持向量机学习算法 4.10 软间隔支持向量机 4.11 线性判据多类分类 -
《机器学习》第二次作业——第四章学习记录和心得
好多好多图希望没有放错...... 思维导图 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 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|𝐶𝑖 -
《机器学习》第二次作业——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)。 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|𝐶𝑖)𝑝(𝐶𝑖)。然后，对所有 -
《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 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。 适用于训练样本较少的情况。 -
《机器学习》第二次作业——第四章学习记录和心得
思维导图 目录 第四章 线性判据与回归 4.1 线性判据基本概念 4.2 线性判据学习概述 4.3 并行感知机算法 4.4 串行感知机算法 4.5 Fisher线性判据 4.6 支持向量机基本概念 4.7 拉格朗日乘数法 4.8 拉格朗日对偶问题 4.9 支持向量机学习算法 4.10 软间隔支持向量 -
《机器学习》第二次作业——第四章学习记录和心得
第四章学习记录和心得 4.1 线性判据基本概念 判别模型:给定训练样本$$,直接在输入空间内估计后验概率$p(C_i|x)$。 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: 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，决策边界是线性的。 也可以 -
《机器学习》第二次作业——第四章学习记录和心得
第四章 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 -
《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