- 博客(5)
- 收藏
- 关注
RSS订阅原创 纯干货笔记（五）|周志华《机器学习》期末知识点简要总结
然后在第 11-23 行， AGNES 不断合并距离最近的聚类簇，井对合并得到的聚类簇的距离矩阵进行更新;它先将数据集中的每个样本看作一个初始聚类簇,然后在算法运行的每一步中找出距离最近的两个聚类簇进行合并,并对合并得到的聚类簇的距离矩阵进行更新。通常情况下，密度聚类算法从样本密度的角度来考察样本之间的可连接性，并基于可连接样本不断扩展聚类簇来获得最终的聚类结果。，首先给出初始化分，通过迭代改变样本和簇的隶属关系，使得每次改进之和的划分方案都较前一次好。先将每个对象作为一个簇，然后不断合并为越来越大的簇。
2024-12-07 15:06:59
2001
原创 纯干货笔记（四）|周志华《机器学习》期末知识点简要总结
对于输入空间中的非线性分类问题，可以通过非线性变换将它转化为某个维特征空间中的线性分类问题，在高维特征空间中学习线性支持向量机。在线性支持向量机学习的对偶问题中，用核函数 K(x,z) 替代内积，求解得到的就是非线性支持向量机。主要介绍了SVM的概念和算法原理，同时针对非线性可分的问题提出的核函数的所用。意味着存在一个从输入空间到特征空间的映射 ϕ(x) ，对任意输入空间中的 x,z ，有。间隔越大，对未知样本的泛化能力越强，其分类的可靠性和稳定性也就越高。，决定了超平面的位置和间隔的大小。
2024-12-03 16:49:32
371
原创 纯干货笔记（三）|周志华《机器学习》期末知识点简要总结
是由具有适应性的简单单元组成的广泛并行互连的网络，它的组织能够模拟生物神经系统对真实世界体所作出的交互反应，我们在机器学习中谈论神经网络时指是。且在迭代的过程中，接受次优解的概率要逐渐降低，最终收敛到一个较好的解。在更高维的空间中将原本不可分的数据变得可分，具有更强的学习能力和函数逼近能力，理论上可以逼近任何连续函数.信号从输入层传导到隐藏层，再传导到输出层，每一层的神经元只与下一层的神经元相连，不进行反馈。是一种理想的激活函数，将输入值映射为输出值“0”或“1”，其中1是兴奋，0是抑制。
2024-12-02 11:40:03
1652
原创 纯干货笔记（二）|周志华《机器学习》期末知识点简要总结
在不进行处理的情况下，模型可能会倾向于将大多数样本预测为反类，以获得较高的准确率。但使用再缩放方法，假设设置正类权重为 9，反类权重为 1，那么在训练过程中，模型对于正类样本的错误分类会给予 9 倍的惩罚，从而促使模型更加努力地去学习正类样本的特征，调整决策边界，使其更准确地对正类样本进行分类，提高对正类样本的召回率，进而改善模型在类别不平衡数据上的整体性能。通过再缩放，相当于对不同类别的样本在特征空间中的 “重要性” 进行了重新调整，使得决策边界能够更合理地划分不同类别的样本，减少对少数类样本的误判。
2024-12-01 13:06:51
724
原创 纯干货笔记（一）|周志华《机器学习》期末知识点简要总结
偏差方差窘境（Bias-Variance Dilemma）是机器学习中一个核心的概念，
2024-11-30 12:52:19
1552
1
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