机器学习-朴素贝叶斯
朴素贝叶斯从是基于贝叶斯定理和条件独立性假设的一种分类器，是一种基于概率统计的分类方法。对于给定的数据，基于条件独立性假设学习输入和输出的联合概率分布，然后根据给定的输入数据利用贝叶斯定理求解最大的后验概率的的输出类别，是一种非常常见的分类算法。 对于贝叶斯定理，实际上就是求解条件概率的方法 $$ P(A |…
阅读全文文章标签
标签：机器学习
浏览带有这个标签的已发布技术文章。
机器学习-EM算法
定义 按照wiki百科的[定义)，EM算法被用于寻找，依赖于不可观察的隐形变量的模型中参数的最大似然估计。在统计计算中，最大期望（EM）算法是在概率模型中寻找参数最大似然估计或者最大后验估计的算法，其中概率模型依赖于无法观测的隐性变量。最大期望算法经常用在机器学习和计算机视觉的数据聚类（Data…
阅读全文
机器学习-常用知识点
本篇涉及机器学习炼丹过程中的一些必须知道的知识点，比如评价指标，损失函数，激活函数，正则化，卷积，RNN等，envolving... 多层感知机和布尔函数 只是用一个隐藏层，实现$n$元输入的任意布尔函数，需要的隐藏节点数量：$2^{n-1}$…
阅读全文
机器学习-SVM
支持向量机是非常高效的一种有监督机器学习算法，是一个二类分类模型，他的基本模型是定义在特征空间上的间隔最大的现行分类器，间隔最大使它有别于感知机；此外核函数的应用，使该算法可以应用有非线性空间。 支持向量机由简入繁主要包含如下几种： 线性可分支持向量机 线性支持向量机 非线性支持向量机 线性可分支持向量机…
阅读全文
机器学习-决策树
决策树是机器学习中非常容易理解机模型，是最基础最常见的有监督学习模型，被用于分类或者回归，由于树结构与销售、教育、医疗诊断场景决策过程相似，因此在该领域应用广泛。 决策树的生成包括三个部分：特征选择，构造树，树剪枝 决策树算法的特点 样例 | 姓名 | 年龄 | 长相 | 工资 | 写代码 | 类别 | |…
阅读全文
机器学习-聚类
聚类是一种主要用于处理分类的无监督任务。给出一组无标记的数据，目标是找到这组数据的模式特征，例如哪些数据是同一类型的，哪些数据是另外的类型。聚类与分类的最大区别就是分类的目标实现已知，例如我们熟知的猫狗大战，在进行分类之前我们就已经知道给定的样本非猫即狗，但是在聚类的时候，对目标是未知的，只能根据给定的数据的特征，按…
阅读全文