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》第二次作业——第四章学习记录和心得 思维导图： 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(� -
《机器学习》第二次作业——第四章学习记录和心得
《第四章》笔记 4.11 线性判据多类分类 本质：非线性 (1) 实现非线性分类的途径 一个模型：能刻画非线性的决策边界。 多个模型：多个模型（线性/非线性）组合成非线性决策边界。 组合方式：并行组合、串行组合。 (2)线性判据实现多类分类的途径 对于线性判据：通过多个线性模型组合的途径实现多类分类 -
机器学习第四章
###思维导图 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：直接在输入空间输出后验概率p(Ci|x) 线性判据：如果判别模型f(x)是线性函数，那f(x)为线性判据 对于二分类，决策边界是线性；对于多分类，相邻两类的决策边界也是线性 计算量少，适用于样本少的情 -
《机器学习》第二次作业——第四章学习记录和心得
  。 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|𝐶 -
《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)𝑝 -
《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 -
机器学习第四章笔记
机器学习第四章学习笔记 思维导图 4.1线性判据 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 4.5Fisher线性判据 4.6支持向量机 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 4.12线性 -
《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)。 贝叶斯决策分类中，生成模型常用于估计p(x|Ci)，再结合先验概率得到联合概率p(x,Ci)=p(x|Ci)p(Ci)，再积分，得到边缘概率密度函数p(x)=Σi -
《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𝑝𝒙,𝐶𝑖=𝑝(�