机器学习-高斯模型
来源:互联网 发布:水量伺服器 知乎 编辑:程序博客网 时间:2024/06/05 14:54
高斯模型的公式推导过程
通过学习线性模型之后,我们会有这样的疑问,如果现实中实例,他的分布不是线性模型的话怎么办?事实上,现实中很多实例他并不是服从线性关系。
比如智商分布图
对于这样的问题,很显然我们依然用线性模型的话是不合适的。
由此,我们引入高斯模型。高斯模型即是我们所熟悉的正太分布。
在使用这一模型的前提条件是,我们假设 在不同的测试数据中,误差变量是 独立同分布的,我们通常情况下假设 误差变量服从一正太分布
这样我们就可以得出目标函数y的分布率(注意:因为我们是假设了误差是独立同分布随机变量,所以不同测试数据之间的y也是服从独立同分布,这样也就为我们后面计算概率最大值提供可行性)
到这一步,我们就解决了y的模型问题,之前一直纠结于非线性问题,我们如何解决,现在解决了吧!
到了这一步,我们要算最大值 其实就是算
他的最大值
算最大值的方法同线性回归。
0 0
- 机器学习-高斯模型
- 机器学习之高斯混合模型
- 机器学习----混合高斯模型
- 机器学习 混合高斯模型再述
- 机器学习(四)高斯混合模型
- 机器学习 : 高斯混合模型及EM算法
- 机器学习--EM算法求解高斯混合模型
- 深入浅出机器学习之生成模型,高斯判别
- 机器学习(四)高斯混合模型
- 机器学习 - 高斯混合模型参数估计的EM算法
- [机器学习](七)cs229之混合高斯模型
- 机器学习:混合高斯模型和EM算法
- 【机器学习】机器学习(十二、十三):K-means算法、高斯混合模型
- (斯坦福机器学习课程笔记)混合高斯模型,朴素贝叶斯,混合朴素贝叶斯模型,因子分析
- 机器学习 --高斯判别分析
- 机器学习--高斯判别分析
- 机器学习系列(4):混合高斯模型+EM+K-means算法
- 斯坦福大学机器学习——EM算法求解高斯混合模型
- Boost.Interprocess使用手册翻译之六:同步机制(Synchronization mechanisms)
- 等比数列二分求和(首项为0次项与1次项的方法)
- toLowerCase方法
- OSI参考模型中的数据封装及解封装过程
- javascript设计模式之装饰器模式(结构型模式)
- 机器学习-高斯模型
- 如何解决安卓项目报65536错误
- 僵尸进程与孤儿进程
- QQ浏览器9 主页无法修改成功的解决办法
- 103. Binary Tree Zigzag Level Order Traversal | 输出二叉树层次遍历次序
- Boost.Interprocess使用手册翻译之三:一些基本解释 (Some basic explanations)
- 状态机学习笔记(一)
- C++中的类型转换static_cast、dynamic_cast、const_cast和reinterpret_cast总结
- vue2.0学习笔记 ——computed