- 博客(5)
- 收藏
- 关注
RSS订阅原创 周志华《机器学习》自学知识点笔记（第八章）
集成学习(ensemble learning)通过构建并结合多个学习器来完成学习任务，有时也被称为多分类器系统(multi-classifer system)、基于委员会的学习(committee-based learning)等。图8-1显示出集成学习的一般结构：先产生一组“个体学习器”(individual learner)，再用某种策略将它们结合起来。图8-1 集成学习示意图。
2024-11-20 23:49:26
699
原创 周志华《机器学习》自学知识点笔记（第六章）
给定训练样本集，分类学习最基本的想法就是基于训练集D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。直观上看，应该去找位于两类训练样本“正中间”的划分超平面，因为该划分超平面对训练样本局部扰动的“容忍”性最好。换言之，这个划分超平面所产生的分类结果是最鲁棒的，对未见示例的泛化能力最强。在样本空间中，划分超平面可通过如下线性方程来描述：其中为法向量，决定了超平面的方向；b为位移项，决定了超平面与远点之间的距离。显然，划分超平面可被法向量w和位移b确定，下面我们将其记为(w,b)。
2024-11-17 01:51:35
803
原创 周志华《机器学习》自学知识点笔记（第四章）
决策树(decision tree)是一类常见的机器学习方法。顾名思义，决策树是基于树结构来进行决策的。一般的，一棵决策树包含一个根结点、若干个内部结点和若干个叶结点；叶结点对应于决策结果，其他每个结点则对应于一个数形测试；每个结点包含的样本集合根据属性测试的结果被划分到子结点中；根结点包含样本全集。从根结点到每个叶结点的路径对应了一个判定测试序列。决策树学习的目的是为了产生一棵泛化能力强，即处理未见示例能力强的决策树，其基本流程遵循简单且直观的“分而治之”(divide-and-conquer)策略。
2024-11-14 23:54:34
788
原创 周志华《机器学习》自学知识点笔记（第三章）
给定由d个属性描述的示例，其中是在第个属性上的取值，线性模型(linear model)试图学得一个通过属性的线性组合来进行预测的函数，即一般用向量形式写成其中和学得之后，模型就得以确定。线性模型形式简单、易于建模，许多功能更为强大的非线性模型(nonlinear model)可在线性模型的基础上通过引入层级结构或高维映射而得。此外，由于。
2024-10-31 22:25:21
439
原创 周志华《机器学习》自学知识点笔记（第一、二章）
非形式化定义：将人的“经验”作为计算机的“数据”，让计算机来学习这些经验数据，从而得到一个算法模型，同时在面对新的情况时，计算机能够做出准确有效的判断。形式化定义：假设T为计算机程序希望实现的任务类，P为计算机程序在某任务类T上的性能，E为经验，即历史的数据集。若该计算机程序通过利用经验E在任务T上获得了性能P的改善，则称该程序对E进行了学习。
2024-10-23 23:41:50
585
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