「ML」chapter3:线性模型
来源:互联网 发布:网络电视装机必备 编辑:程序博客网 时间:2024/05/17 13:42
基本形式
写成向量模式:
线性回归
均方误差最小化,可以求出解析解。在引入多变量时,特征矩阵X往往不是满秩矩阵,这时可以有多组参数解,选择那个解作为输出,有学习算法的归纳偏好决定,常见方法时引入正则项。
衍生物1:对数线性回归
衍生物2:对数几率回归
优点:
1. 直接对分类可能性进行建模,无需假设数据分布??????
2. 近似概率分布,任意阶可导,方便求解。
解法:用极大似然法求解
其中:
用梯度下降求解可得
线性判别分析(LDA)
LDA的思想:给定训练样例,设法将样例投影到一条直线上,使得同类投影点尽量接近,异类投影点尽可能远离。
多分类学习
采用一些基本策略,利用二分类学习器来解决多分类问题。经典策略:一对一,一对其余,多对多。
多对多中常用计数:纠错输出码,
编码:对N个类别做M次划分,每次划分一部分类别为正,其余为负,产生M个训练集,训练M个分类器,
解码:对测试样本进行预测,将预测结果组成一个编码,与各类别对编码计算距离,距离最小的类别作为最终预测结果。
类别不均衡问题
线性分类器
类别不平衡学习的一个基本策略:再缩放-1欠采样2过采样
1. 欠采样,EasyEnsemble利用继承学习机制,将反例划分为若干个集合共不同学习器使用,
2. 过采样,SMOTE通过对训练集里对正例进行插值产生额外的正例。
阅读全文
0 0
- 「ML」chapter3:线性模型
- ML—广义线性模型深度解析
- 【ML笔记】第三章 线性模型
- 「ML」chapter2模型选择与评估
- 【ML】单一线性回归
- 【ML】多元线性回归
- 牛顿方法、指数分布族、广义线性模型—斯坦福ML公开课笔记4
- 牛顿方法、指数分布族、广义线性模型—斯坦福ML公开课笔记4
- 牛顿方法、指数分布族、广义线性模型—斯坦福ML公开课笔记4
- 牛顿方法、指数分布族、广义线性模型—斯坦福ML公开课笔记4
- 初学ML笔记N0.1——线性回归,分类与逻辑斯蒂回归,通用线性模型
- 主题模型--ML
- chapter3
- chapter3
- ML基础教程:线性建模plotlinear
- ML基础教程:线性建模fitlinear
- [ML笔记]多元线性回归
- 线性回归-ML之二
- js与oc交互以及cookie设置 UIWebView与WKWebview兼容
- 用Oracle的函数,判断点是否在多边形内
- Java精选笔记_网络编程
- 进程介绍及查看工具
- mnist数据集格式转换---机器学习(0)
- 「ML」chapter3:线性模型
- tomcat解压缩版环境配置
- POJ-3660-Cow Contest FLOYD传递闭包
- 数据压缩 实验四 DPCM压缩系统的实现和分析
- MySQL环境配置及遇到的问题整理
- Java Web 之 Request Respone
- 运行Android项目时报错 Installation error: INSTALL_PARSE_FAILED_MANIFEST_MALFORMED
- linux:线程安全与可重入函数
- 前后台传递参数