- 博客(4)
- 收藏
- 关注
RSS订阅原创 机器学习--贝叶斯分类器
一. 贝叶斯决策论贝叶斯决策论是概率框架下实施决策的基本方法。对分类任务来说，在所有相关概率已知的情况下，贝叶斯决策论考虑如何基于这些概率和误判损失来选择最优的类别标记。下面我们以多分类任务为例，来解释其基本原理。（1）假设有N种可能的类别标记，y={c1,c2,...,cn},x 为样本。（2）基于后验概率P(ci | x)可获得将样本x 分类为ci的期望损失R( ci | x)。这个损失可以理解为如果将x 分为ci类的风险损失最小,那么x最有可能被分为ci类，为什么是这样呢？根据书上R.
2021-07-18 14:18:25
571
原创 机器学习--支持向量机
一.原问题给定两类样本集，它们分布在空间中，我们最基本的想法就是基于训练级在样本空间中找到一个划分超平面，将不同类别的样本分开。那么问题来了，可能划分超平面有多个，我们该寻找哪一个呢？从直观上看，我们应该去找位于两类训练样本“正中间”的划分超平面。在样本空间中，划分超平面可以利用如下线性方程来描述：w.T x+b=0; 其中w为法向量决定了超平面的方向，b为位移项，决定了超平面与原点的距离。所以我们现在要做的就是确定w ,b。样本中的一点到超平面的距离可用如下表示：.
2021-07-15 01:12:25
381
原创 深度学习入门--斋藤康毅 总结
一. 本书学习趋势从浅至深，从易到难。1.从感知机出发为我们学习神经网络奠定基础2.介绍简单的基于随机梯度下降法（SGD) 的神经网络3.稍显复杂一些的卷积神经网络（CNN）二.感知机2.1感知机是由美国学者FrankRosenblatt在1957年提出来的。感知机是作为神经网络（深度学习）的起源的算法。因此，学习感知机的构造也就是学习通向神经网络和深度学习的一种重要思想。感知机接收多个输入信号，输出一个信号。这里所说的“信号”可以想象成电流或河流那样具备“流动性”的东西。像电
2021-07-07 23:05:22
1635
1
原创 深度学习入门（鱼书）cross_entropy_error(y, t)问题
def cross_entropy_error(y, t): if y.ndim == 1: t = t.reshape(1, t.size) y = y.reshape(1, y.size) # 监督数据是one-hot-vector的情况下，转换为正确解标签的索引 if t.size == y.size: t = t.argmax(axis=1) batch_size = y..
2021-07-06 16:59:02
1456
3
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