机器学习
ilike_program
Tomorrow belongs to those who can hear it coming.
展开
专栏收录文章
- 默认排序
- 最新发布
- 最早发布
- 最多阅读
- 最少阅读
-
核密度估计Kernel Density Estimation(KDE)
前言已知一个服从密度函数p(x)的随机变量x的N个观测x1,x2,…,xn,但不知p(x),这里p(x)称为期望学到的密度函数,试求p(x)。这个问题称为密度估计问题。为求样本集的密度函数,有两种方法:1. 参数估计方法简单来讲,即假定样本集符合某一概率分布,然后根据样本集拟合该分布中的参数,例如:似然估计,混合高斯,贝叶斯估计等,由于参数估计方法中需要加入主观的先验知识,往往很难拟合出与真...原创 2018-12-12 20:10:53 · 15511 阅读 · 0 评论 -
线性回归(Linear Regression)
前言已知x=(x ̂,f(x ̂))的N个观测值(x ̂1,f(x ̂1)),(x ̂2,f(x ̂2)),…,(x ̂N,f(x ̂N)),但不知(x ̂,f(x ̂)),这里f称为期望回归函数,试求(x ̂,f(x ̂)),这个问题为回归问题。回归函数可以选择的表示很多。但是根据奥卡姆剃刀准则,应该选择简单而且又可行的回归函数。显然,如果可行,线性函数是最简单的回归函数。当回归函数F采用线...原创 2018-12-12 22:05:45 · 523 阅读 · 0 评论 -
Logistic Regression算法
监督学习简介在监督学习中,分类(Classification)算法和回归(Regression)算法是两类最重要的算法,两者之间最主要的区别是分类算法中的标签是离散的值,如广告点击问题中的标签为{+1,-1},分别表示广告的点击和未点击,而回归算法中的标签值是连续的值,如通过人的身高、性别、体重等信息预测人的年龄,因为年龄是连续的正整数,因此标签为y∈N+,y∈[1,80]y\in {{N}^{...原创 2018-12-13 18:57:46 · 955 阅读 · 0 评论 -
离群点检测算法——LOF(Local Outlier Factor)
异常检测异常检测的实质是寻找观测值和参照值之间有意义的偏差。数据库中的数据由于各种原因常常会包含一些异常记录,对这些异常记录的检测和解释有很重要的意义。异常检测目前在入侵检测、金融欺诈、股票分析等领域都有着比较好的实际应用效果。离群点检测是异常检测中最常用的方法之一。离群点检测的主要目的是为了检测出那些与正常数据行为或特征属性差别较大的异常数据或行为,在一些文献中,这些数据和行为又被叫做孤立点...原创 2018-12-14 21:10:17 · 33478 阅读 · 6 评论 -
Softmax Regression算法
<<上一篇 Logistic Regression算法前言Logistic Regression算法主要是用于处理二分类问题,若需要处理的是多分类问题,如手写字识别,即识别是{0,1,…,9}中的数字,此时,需要使用能够处理多分类问题的算法。Softmax Regression算法是Logistic Regression算法在多分类问题上的推广,主要用于处理多分类问题,其中,任...原创 2018-12-15 23:04:49 · 676 阅读 · 0 评论
分享