数学知识01:奇异矩阵;特征向量;行列式;极大似然估计

本文回顾了Andrew Ng机器学习课程中的关键数学概念,包括奇异矩阵、特征向量、行列式、似然函数及极大似然估计。重点介绍了这些概念在特征数量与数据量不平衡情况下的应用,以及如何利用已知样本结果反推最优参数。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >


通过Andrew Ng的机器学习,复习了一些忘记的数学知识,比较好的博客记录在这里。

1. 奇异矩阵

在机器学习中,如果特征数量大于数据量,会产生奇异矩阵(吴恩达建议最好数据量超过特征数量的十倍,这样更好的避免出现奇异矩阵的情况)

2. 特征向量 eigenvector

3. 行列式 determinate

https://www.cnblogs.com/tsingke/p/10671318.html

4. 似然函数 likelihood function

https://blog.youkuaiyun.com/sunlylorn/article/details/19610589

5. 极大似然估计

总结起来,最大似然估计的目的就是:利用已知的样本结果,反推最有可能(最大概率)导致这样结果的参数值。
https://blog.youkuaiyun.com/qq_39355550/article/details/81809467

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值