- 博客(3)
- 收藏
- 关注
RSS订阅原创 机器学习算法：朴素贝叶斯
分类。多类分类。 1 朴素贝叶斯法的学习与分类 1.1 基本方法 1.2 后验概率最大化的含义 后验概率最大等价于0-1损失函数时的期望风险最小化。 1.2 朴素贝叶斯法的参数估计 1.2.1 极大似然估计 1.2.2 贝叶斯估计 优点：在数据较少的情况下仍然有效，可以处理多类别问题。 缺点：对于输入数据的准备方
2017-11-18 14:40:47
269
原创 机器学习算法：感知机
分类算法，二分类，线性分类。判别模型。 1 感知机模型 感知机是一种线性分类模型，属于判别模型。 2 感知机学习策略 2.1 数据集的线性可分性 2.2 感知机学习策略 感知机学习的目标是求得一个能够将训练集正实例点和负实例点完全正确分开的分离超平面。 损失函数： （1） 误分类点的总数（不连续可导，不易优化） （2） 误分
2017-11-16 19:48:18
443
原创 机器学习算法：k近邻法（k-NN）
分类与回归算法，多分类。 三个基本要素：K值的选择，距离度量，分类决策规则。 1 k近邻算法（分类） 最近邻算法：k=1的k近邻法。即对于输入的实例点x（特征向量），最近邻法将训练数据集中与x最邻近点的类作为x的类。 k近邻法没有显示的学习过程。（“懒惰学习”：训练阶段仅仅保存训练样本，收到测试样本后再进行处理。） 1.1 k近邻模型 1.1.1 模型 在三要素确定的情况下，根据
2017-11-16 17:36:35
564
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人