發(fā)簡(jiǎn)信
IP屬地：廣東
-
降維
1.1 k近鄰學(xué)習(xí) k近鄰學(xué)習(xí)（k-Nearest Neighbor,簡(jiǎn)稱kNN）學(xué)習(xí)是一種常見的監(jiān)督學(xué)習(xí)方法，其工作機(jī)制非常簡(jiǎn)單：給定測(cè)試樣本...
-
聚類1.1聚類任務(wù) 在“無(wú)監(jiān)督學(xué)習(xí)”(unsupervesed learning)中，訓(xùn)練樣本的標(biāo)記信息是未知的，目標(biāo)是通過對(duì)無(wú)標(biāo)記訓(xùn)練樣本的學(xué)習(xí)來(lái)...
-
集成學(xué)習(xí)
1.1個(gè)體與集成 集成學(xué)習(xí)（ensemble learning）通過構(gòu)建并結(jié)合多個(gè)學(xué)習(xí)器來(lái)完成學(xué)習(xí)任務(wù)，有時(shí)也被稱為多分類器系統(tǒng)（multi-c...
-
模型評(píng)估與選擇
1、經(jīng)驗(yàn)誤差與過擬合 錯(cuò)誤率：分類錯(cuò)誤的樣本數(shù)占樣本總體的比例。即如果m個(gè)贗本中存在a個(gè)樣本分類錯(cuò)誤，則錯(cuò)誤率為E=a/m；精度=1-錯(cuò)誤率=1...
-
貝葉斯分類器
1.1、貝葉斯決策論 貝葉斯決策論是概率框架下實(shí)施決策的基本方法。對(duì)分類任務(wù)來(lái)說(shuō)，在所有相關(guān)概率都已知的理想情形下，貝葉斯決策論考慮如何基于這些...
-
神經(jīng)網(wǎng)絡(luò)1.1神經(jīng)元模型 神經(jīng)網(wǎng)絡(luò)是由具有適應(yīng)性的簡(jiǎn)簡(jiǎn)單單組成的廣泛并行互連的網(wǎng)絡(luò)，它的組織能夠模擬生物神經(jīng)網(wǎng)絡(luò)系統(tǒng)對(duì)真實(shí)世界物體所作出的交互反應(yīng)。 神...
-
支持向量機(jī)一、什么是支持向量機(jī)（SVM） 支持向量機(jī)作為傳統(tǒng)機(jī)器學(xué)習(xí)的一個(gè)非常重要的分類算法。 支持向量機(jī)的基礎(chǔ)概念可以通過一個(gè)簡(jiǎn)單的例子來(lái)解釋， 讓我們...
-
決策樹決策樹（decision tree）是一類常見的機(jī)器學(xué)習(xí)方法，顧名思義，決策樹是基于樹結(jié)構(gòu)來(lái)進(jìn)行決策的，這恰是人類在面臨決策問題時(shí)一種很自然的處...
-
線性模型
3.1基本形式 線性模型試圖學(xué)得一個(gè)通過屬性的線性組合來(lái)進(jìn)行預(yù)測(cè)的函數(shù)，即 一般用向量形式寫成 其中w是一個(gè)參數(shù)向量。w和b學(xué)得以后，模型就得以...