我的博客

文章目录本章讨论的是线性回归，从一个概率的观点，我们的任务是对 p(t∣x)p(t|x)p(t∣x)进行建模，因为其表示了t的不确定性

文章目录参考马春鹏 《模式识别与机器学习》翻译前⼀章中，我们研究了⼀类回归模型，这些模型有相当简单的数学性质和计算性质。我们现在讨论⼀类与此相似的模型，⽤于解决分类问题。分类的⽬标是将输⼊变量x分到K个离散的类别CkC_kCk​中的某⼀类。在本章中，我们考虑分类的线性模型。所谓分类线性模型，是指决策⾯是输⼊向量x的线性函数，因此被定义为D维输⼊空间中的(D − 1)维超平⾯。...

文章目录神经网络前馈神经⽹络参考马春鹏 《模式识别与机器学习》翻译神经网络在第3章和第4章中，我们考虑了由固定基函数的线性组合构成的回归模型和分类模型。它们的实际应⽤被维数灾难问题限制了。⼀种⽅法是事先固定基函数的数量，但是允许基函数可调节。换句话说，就是使⽤参数形式的基函数，这些参数可以在训练阶段调节。在模式识别中，这种类型的最成功的模型时前馈神经⽹络，也被称为多层感知器（multi...

文章目录核⽅法核⽅法

文章目录PRML第七之稀疏核机稀疏核机PRML第七之稀疏核机稀疏核机在前⼀章中，我们研究了许多基于⾮线性核的学习算法。这种算法的⼀个最⼤的局限性核函数k(xn, xm)必须对所有可能的训练点对xn和xm进⾏求值这在训练阶段的计算上是不可⾏的，并且会使得对新的数据点进⾏预测时也会花费过多的时间。本章中，我们会看到具有稀疏（sparse）解的基于核的算法，从⽽对新数据的预测只依赖于在训练...

文章目录PRML第八章之图模型贝叶斯⽹络PRML第八章之图模型参考马春鹏 《模式识别与机器学习》翻译使⽤概率分布的图形表⽰进⾏分析很有好处。这种概率分布的图形表⽰被称为概率图模型（probabilistic graphical models）。这些模型提供了⼏个有⽤的性质：它们提供了⼀种简单的⽅式将概率模型的结构可视化，可以⽤于设计新的模型通过观察图形，我们可以更深刻地认识模型的性...