6.1 对偶表示
来源:互联网 发布:小世界网络 netlogo 编辑:程序博客网 时间:2024/05/23 13:47
6.1 对偶表示
机器学习模型可以大致分为两类。
一种类似于神经网络、线性回归等,我们选用一些数学函数,通过在训练集上迭代训练以调节参数,最终我们得到这个包含数学函数和参数的模型,预测新数据时只需将数据传入模型。
另一种方法类似最近邻和这一章的向量机,我们保留训练集的一部分,每当预测新数据时,使用某种度量方法,用存储的训练集数据预测新数据。这种方法往往训练速度很快或者根本不需要训练,然而预测可能会比较慢。
许多线性参数模型可以被转化为一个等价的“对偶表示”。对偶表示中,预测的基础也是在训练数据点处计算的核函数的线性组合。对于基于固定非线性特征空间映射
若
通过使用对偶表示的形式,核函数可以自然地产生。考虑一个线性模型,它的参数通过最小化正则化的平方和误差函数来确定。正则化的平方和误差函数为:
令
我们现在不直接对参数向量
定义Gram矩阵
这里引入了上述核函数的表示,使用Gram矩阵,平方和误差函数可以写为:
求解
将该结果代⼊线性回归模型中,对于新的输⼊x,我们得到了下面预测:
其中我们定义了向量
在对偶公式中,我们通过对⼀个N x N的矩阵求逆来确定参数向量
式中,我们要对⼀个M x M的矩阵求逆来确定
1 0
- 6.1 对偶表示
- 凸优化的对偶表示
- 《SVM笔记系列之二》SVM的拉格朗日函数表示以及其对偶问题
- 对偶空间
- 对偶问题
- 拉格朗日对偶
- 简说拉格朗日对偶
- 对偶问题
- 对偶律
- 拉格朗日对偶
- 拉格朗日对偶
- 对偶SVM
- 拉格朗日对偶
- 拉格朗日对偶
- 拉格朗日对偶
- 拉格朗日对偶
- 拉格朗日对偶
- 拉格朗日对偶
- Range Sum Query - Immutable
- Java连接MySQL数据库。。。
- Android6.0改动之其他改变
- 改变屏幕方向
- mongodb master-slave主从复制
- 6.1 对偶表示
- duplicate config file paths found
- 1,Two Sum
- Oracle 表空间详解
- stack类
- 修改oplogsize导致无法启动mongodb
- [阶段一]Java面向对象(1)
- hihocoer 1287 数论一·Miller-Rabin质数测试
- Buct oj 1012