發(fā)簡信
IP屬地：廣東
-
概率圖模型（2）隱馬爾可夫模型HMM
1 概述 1.1 HMM概念理解 首先我們需要對一些看起來比較相似的概念做一個總結(jié)和區(qū)分： 馬爾可夫性（Markov Property）：無后效...
-
概率圖模型（1）概述概率圖模型（probabilistic graphical model，PGM）是一類算法的統(tǒng)稱，是圖靈獎獲得者Pearl開發(fā)出來的用圖來表示變...
-
從感知機(jī)到神經(jīng)網(wǎng)絡(luò)（前向計算、反向傳播、python實現(xiàn)）1 回顧感知機(jī) 廢話不多說，就不從什么模擬人類的神經(jīng)元開始了，在感知機(jī)（Perceptron）中我們已經(jīng)說過：感知機(jī)模型是神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的...
-
集成學(xué)習(xí)（5）boosting代表——XGBoostXGBoost（eXtreme Gradient Boosting）中文名叫極端梯度提升，可以看出它是一種gradient boosting算法...
-
集成學(xué)習(xí)（4）boosting代表——gradient boosting與GBDT
1 從boosting到gradient boosting （1）原理 從上一篇集成學(xué)習(xí)（3）boosting代表——Adaboost[http...
-
集成學(xué)習(xí)（3）boosting代表——Adaboost1 Adaboost原理 回顧前文集成學(xué)習(xí)（1）模型誤差與集成學(xué)習(xí)中對boosting的定義： 2.boosting：針對不獨立的同質(zhì)弱學(xué)習(xí)器。...
-
集成學(xué)習(xí)（2）bagging代表——隨機(jī)森林
回顧前文對bagging的定義： 1.bagging（Bootstrap Aggregating）：針對獨立的同質(zhì)弱學(xué)習(xí)器，相互獨立地并行學(xué)習(xí)這...
-
集成學(xué)習(xí)（1）模型誤差與集成學(xué)習(xí)1 模型誤差——偏差與方差 之前我們已經(jīng)說了不少模型，這些模型的特點是：1、都是有監(jiān)督模型；2、都是個體模型，基本上都是一個輸入、一套參數(shù)、一個...
-
決策樹——ID3、C4.5、CART本篇開始總結(jié)一下以決策樹為基礎(chǔ)的模型，當(dāng)然本篇的內(nèi)容就是決策樹了，決策樹可以用來分類也可以用來回歸，用作分類的應(yīng)該更多一些，我們也先從分類問題講...