机器学习学习笔记.day3
来源:互联网 发布:外国人来中国后被淘宝 编辑:程序博客网 时间:2024/06/12 10:41
周志华《机器学习》 学习笔记
最近开始学习机器学习,参考书籍西瓜书,做点笔记。
第三章 线性模型
1.基本形式
给定由d个属性描述的示例x=(x1;x2;x3;…;xd),其中xi是x在第i个属性上的取值,线性模型通过对属性的线性组合来预测的函数:
f(x)=w1x1+w2x2+…+wdxd+b(一般写成向量形式);
参数w的大小可以反映对应属性的“偏好”;
2.线性回归
使用均方误差衡量预测与真实之间误差大小,即(f(xi)-yi)^2,求最小值使误差最小;
分别对w和b求偏导,在令偏导为0,则可得到最优解。
多选线性回归问题类似。
3.对数几率回归
对数几率回归问题主要对用于分类问题。
对数几率问题在很多地方称为逻辑回归。
常用sigmoid函数。
通过对y=0.5点判断进行分类,解决了阶跃函数不连续的问题。
4.线性判别分析
线性判别分析思想很简单,将平面上的点投影到一条直线上,通过在直线上的投影进行分类。
通过均值向量和协方差矩阵等度量。
欲使同类样例的投影点尽可能接近,让同类样例投影点协方差尽可能小;
欲使异类样例投影点尽可能远,让中心之间距离尽可能大;
5.多分类学习
多分类学习氛围OvO,OvR,和MvM。
OvO即一对一,每次从类别中选取两个进行分类,则会产生N(N-1)/2个分类任务(N为分类数),最后通过投票产生结果,即选取多数。
OvR即一对剩余,每次将一个类选为正例,其余所有选为反例进行学习,这样会产生N个分类任务。
MvM即多对多,每次选取若干个为正例,若干个为反例进行学习。OvO和OvR是MvM的特殊情况。
MvM正反例构造技术:纠错输出码(ECOC)。
ECOC有二元和三元码。
欧氏距离:
海明距离:即编码中不同的个数。
ECOC具有一定的容错与修正能力。
第三章主要介绍线性模型,对回归和分类问题进行了解释,线性模型是最基本的模型,其中原理不难理解,推导过程需要加强理解。
我的笔记做的比较粗糙,还请见谅。
有不正确或者不完整的地方,欢迎补充。
- 机器学习学习笔记.day3
- java学习笔记day3
- CCNA学习笔记Day3
- 学习笔记day3
- Android学习笔记day3
- DAY3学习笔记
- DAY3视频学习笔记
- 计算机网络学习笔记day3
- linux学习笔记-day3
- HTML学习笔记(Day3)
- CSS学习笔记(Day3)
- AJAX学习笔记day3
- Python学习笔记DAY3---函数
- 前端入门DAY3-学习笔记
- html-day3-个人学习笔记
- Python爬虫学习笔记Day3
- sql server学习笔记-day3
- Java学习(回顾)笔记之day3
- HYSBZ 1898 Swamp 沼泽鳄鱼(矩阵快速幂)
- 使我对动态规划的理解发生转折的算法的解决过程的思想变化的过程
- 大数据系列之从大企业架构设计看大数据技术栈
- 大家好!
- Leetcode 121
- 机器学习学习笔记.day3
- 微信开发
- c++ 头文件
- RPC和WebService的区别
- WIN10 Hyper-V 安装 CentOS 7
- hdu1070 计算牛奶价格
- P1090 合并果子
- linux的PHP环境搭建与wordpress
- 新手易犯错误之java基本类型数据整除