机器学习-学习笔记 学习总结归纳(第九周)
来源:互联网 发布:php解析json数组 编辑:程序博客网 时间:2024/05/22 17:17
矩阵论
矩阵表示
在实数域上,大小为n*m的矩阵的集合可以表示为:
因此,(
范式
奇异值
通常,可以通过定义范式的形式来诱导距离,常用的范数有:
在实际的信号处理过程中,无论是构建损失项还是正则项,每一种范数都有其特定的物理意义,反映着数据的分布类型,或者蕴含着数据的先验特性。
通过范式诱导得到距离(距离空间),进而得到临近关系(邻域特性),根据这种关系就可以将线性空间(非线性变换可以通过线性变换的逼近来得到)进行剖分,当然剖分的子空间个数取决于邻域的半径。
矩阵的倒数的求解通常在机器学习中较为常用,如参数更新时所依赖的梯度的计算等。
假设对于输入信号x,输出信号y,之间的线性映射关系为
其中A为投影矩阵,b为偏置项(其中A和b都可以为矩阵)。通常利用
其中待学习的参数为(A,b)。
过拟合现象
指数据样本量相比参数量而言较多,导致训练得到的模型十分依赖于该数据集,使得该模型的测试性能或者预测性能比较差,即在另一个数据集上的表现较差(需要说明的是这二个数据集的分布方式相同)。
矩阵的奇异值分解
对于任意一个矩阵
其中,
主成分分析
用到了矩阵的奇异值分解,通过奇异值的排序和信息利用率达到85%以上的准则确定主成分的个数。
通常,主成分分析是一种线性的降低纬度的方法。使用矩阵的奇异值分解的核心是逼近的思想,可以通过调整对角矩阵
概率论
在机器学习的领域中,经常使用后验概率来实现执果索引的目的,常用的公式表述为:
其中,P(X | Y) 为随机事件Y发生的前提下,随机事件X发生的概率,也成为后验概率,P(X)为先验项或先验概率,P(Y | X)为似然项,P(Y)为随机变量Y的先验概率或边缘概率,也成为标准化常量。
参数估计
最大似然估计
针对模型已定,参数未知,提供了一种给定数据来评估模型参数的方法。
假设数据集
根据独立同分布的假设:
其似然函数的定义为:
参数
实际应用中,常利用最大化平均对数似然,即
需要注意的是,最大似然估计只是参数估计的一种方法,通过若干次独立同分布的实验,观察其结果,利用结果推算出参数的大概值。
分类
对于分类问题也可以用最大似然估计来进行优化,考虑到计算问题,我们竟然使用最小化负对数似然损失函数,级
得到的负对数似然函数为:
进一步,最终的目标函数为:
通常这种方法也被称为交叉熵损失函数
- 机器学习-学习笔记 学习总结归纳(第九周)
- 机器学习-学习笔记 学习总结归纳(第五周)
- 机器学习-学习笔记 学习总结归纳(第六周)
- 机器学习-学习笔记 学习总结归纳(第七周)
- 机器学习-学习笔记 学习总结归纳(第八周)
- 机器学习-学习笔记 学习总结归纳(第十周)
- 机器学习-学习笔记 学习总结归纳(第十二周)
- 机器学习-学习笔记 学习总结归纳(第十三周)
- 机器学习-学习笔记 学习总结归纳(第四周)
- 机器学习-学习笔记 学习总结归纳(第十一周)
- 机器学习-学习笔记 学习总结归纳(第十四周)
- 机器学习--归纳总结
- 机器学习归纳总结
- 机器学习笔记(三)归纳偏好
- MATLAB学习笔记 学习总结归纳(第二周)
- MATLAB学习笔记 学习总结归纳(第三周)
- 机器学习 第九周 总结 知识点
- 机器学习学习笔记:决策树归纳算法(ID3)
- c#获取系统信息:CPU、内存、硬盘、用户、网络
- LeetCode 70. Climbing Stairs
- 闲聊Java里的随机数
- 三级菜单
- c#注册表操作全解
- 机器学习-学习笔记 学习总结归纳(第九周)
- 多校联萌 C-QAQ & 火星情报局
- MariaDB数据库的安装配置及常用操作
- 【CUGBACM15级BC第17场 A】hdu 5100 Chessboard
- 2017.08.11小结
- hdu 4585 Shaolin (Treap)
- 网络流 最大流
- 第12天
- 《高质量 C++/C 编程指南 》阅读笔记(二)