qingliangdexiar的博客_机器学习

集成学习

1. 什么是集成学习？集成学习通过构建并结合多个学习器来完成学习任务，有时也被称为多分类器系统。基于同种类型的个体学习器，这样集成是同质，不同种类型的个体是异质的。2. 集成学习方法大致分为哪两大类？个体学习器间存在强依赖关系，必须串行生成的序列化方法，前者的代表是Boosting族。个体学习器不存在强依赖关系，可同时生成的并行化方法，后者的代表是Bagging和随机森林。Bo

集成学习

原创 2017-10-19 02:59:13 1949 阅读

支持向量机算法的理解

支持向量机是一种二分类模型。它的基本模型是定义在特征空间上的间隔最大的线性分类器，间隔最大使他有别于感知机；支持向量机还包括核技巧，这使它成为实质上的非线性分类器。支持向量机的学习策略就是间隔最大化。可形式化为一个求解凸二次规划的问题。当训练数据线性可分时，通过硬间隔最大化，学习一个线性的分类器，即线性可分支持向量机当训练数据近似线性可分的时候，通过软间隔最大化，也学习一个线性的分类器，即线性支持

支持

向量

机算法

原创 2017-10-19 02:49:48 2242 阅读

决策树的理解

决策树的分类速度快决策树有个步骤：特征选择，决策树生成，和决策树的修剪。特许选择：在于选取对训练数据具有分类能力的特征，这样可以提高决策树学习的效率。如果利用一个特征进行分类的结果与随机分类的结果没有很大差别，则称这个特征是没有分类能力的。经验上任掉这些的特征对决策树学习的精度影响。通常特征选择的准则是信息增益，或信息增益比。在学习信息增益的时候，首先是要了解一个概念：熵(entropy)是表示随

理解

决策树

原创 2017-10-19 02:17:17 1409 阅读

朴素贝叶斯算法

朴素贝叶斯算法如何理解？朴素贝叶斯算法是一个生成式的一个算法我们的目的就是分类判断当前的实例x是那个类别的,但是生成式是这样的p(Ck/x)在实际问题中我们通常知道p(Ck)这个叫做先验概率。我们也会知道p(x/ck)中的个数，这种条件概率那怎么求 p(Ck/x)呢？首先是将条件概率分布转换成p(Ck,x)全分布/p(x)再将全分布转换成逆条件概率p(Ck)p(x/Ck) ，之后，在将p(x/Ck

朴素

贝叶

斯算法

原创 2017-10-19 01:36:56 1010 阅读

K近邻算法中常见的问题

第一个问题就是k值的选取问题？怎么快速找到k个邻居，尤其是在特征空间维数大及训练数据容量大时尤其必要。(1)k值的问题：当k值很小的时候，就相当于在较小的领域中训练实例进行预测，学习的近似误差会减小，只有与输入实例较近的训练实例才会对预测结果起作用（反过来想，离的越近，肯定越相似，离得越远，相似度就差很大）。但缺点是学习的估计误差会增大，预测结果会对近邻的实例点非常敏感，如果近邻的实例点恰巧是噪声

算法

常见

K近邻

原创 2017-10-19 01:02:31 1472 阅读

机器学习第一张基本概念理解

数据集：关系型数据库中有很多表，表里面有很多记录，很多记录就可以认为是数据集属性（特征）：一个表中有很多条记录，每条记录的表有很多属性，如tb_stu(stu_id,stuname,stu_sex)s表中有3条属性属性值：属性的取值，如stu_id可以等于1,2.3....n。stu_sex可以为男,也可以为女。特征向量：我们可以将属性的组合投影到三维空间，用几何和代数的工具来表示他们。如三个属性

机器学习基本概念理解

原创 2017-10-16 21:21:19 1260 阅读 1点赞 1评论

极大似然的估计的理解

什么是极大似然估计？参数估计就是通过若干次试验，已知某个参数能使这个样本出现的概率最大，我们当然不会再去选择其他小概率的样本，所以干脆就把这个参数作为估计的真实值。说的是已知某个随机样本满足某种概率分布，但是其中具体的参数不清楚，我们通过最大概率反过来求其的参数值。极大似然估计的原理？一个随机试验如有若干个可能的结果A，B，C，…。若在仅仅作一次试验中，结果A出现，则一般认为试验条件对A出现有利，

极大似然的估计的理解

原创 2017-06-08 18:09:57 1088 阅读

机器学习中的回归理解

机器学习中回归（自变量x和应变量y）之间的关系由两种？确定性关系（函数关系）：如线性相关，能够找到函数或者曲线能够进行拟合。非确定性关系（相关关系）：如正相关，或者负相关。如何判断这些散点，是否可以用直线进行拟合？我们可以算法它们之间的x和y的相关系数: 算出它们之间的相关系数，相关系数越大，则越可以用直线进行拟合。3.怎么求拟

机器学习中的线性模型理解

原创 2017-05-28 11:33:30 1254 阅读

机器学习的基本概念理解

术语理解示例: 对应着数据中的一条记录（多条记录构成数据集)。可以包含标记，也可以不包含标记。假设一条记录有多个属性构成的，则这条记录就有5维。多个属性构成的空间叫做属性空间，样本空间（示例也可以叫做样本）或者输入空间。每个属性都有多个属性取值，则每条记录都

机器学习第一章理解

原创 2017-05-28 10:42:00 951 阅读

机器学习中数学概念概念的理解

平均值和数学期望的区别？均值（mean value）是针对既有的数值（简称母体）全部一个不漏个别都总加起来,做平均值（除以总母体个数）,就叫做均值.但是当这个数群（data group）的数量（numbers）很大很多时,我们只好做个抽样（sampling）,并“期望”透过抽样所得到的均值,去预测整个群体的“期望值（expectation value）”. 当抽样的数量很大时候，我们认为

机器学习中复杂概念的理解

原创 2017-05-07 16:14:51 1884 阅读

从机器学习中看矩阵理论和线性代数

什么是线性代数？线性，其实就是一次，代数其实就是加减乘除，线性代数其实本质就是研究方程组的问题。线性代数中的方程组都是一次方的。在学习中其实可以使用向量形式如(1,2)t*x1,+(2,3)t=(5,2)这样表示，向量表示大家很熟悉，这其实就是(5,2)t是否可以由(1,2)和(2,3)进行线性表示，本来向量这样表示没有问题，但是当x比较多的时候，这就很麻烦了，表示就困难了，后来就出行

从机器学习中看矩阵理论

转载 2017-03-13 14:32:56 2834 阅读

从机器学习中看优化问题

机器学习所涉及的数学知识有哪些？统计学和概率论，以及最优化另外加上矩阵方面的相关知识，其他的涉及不多。机器学习中主要解决的优化问题？主要是无约束优化问题和有约束优化问题。针对优化问题，一是通过解析法，但是解析法只是针对简单或特殊问题寻优，通过简单的求极值点解析出来。二是通过图解法，但是图解法只是针对维数比较低的可以用画图解析出来。三是通过迭代式搜索行方法（如梯度下降法等）四是通过转化型方法，（比如

机器学习优化思想

转载 2017-03-13 12:17:58 1822 阅读

机器学习第一章理解

大数据1.大数据都是研究什么东西？大数据主要是有2个东西，一个东西是分布式存储，一个是并行计算。2.分布式计算，最终还是通过算法来解决的。其中有自己独创的算法，有的是在数学或者数据挖掘中或者是机器学习中的算法，来改进成并行化算法，来达到并行计算。（这是我目前接触到的算法）。3.数据挖掘和机器学习是什么关系呢？为什么这么问呢？原因是数据挖掘中的算法，机器学习中好像都有，机器学习中的算法，统计学中都有

机器学习第一章的理解

转载 2017-01-02 15:45:00 938 阅读

官方博客	全部文章	热门标签	班级博客
了解我们	网站地图	意见反馈

鸿蒙开发者社区	51CTO学堂
51CTO	软考资讯

51CTO博客

简答生活

集成学习

支持向量机算法的理解

决策树的理解

朴素贝叶斯算法

K近邻算法中常见的问题

机器学习第一张基本概念理解

极大似然的估计的理解

机器学习中的回归理解

机器学习的基本概念理解

机器学习中数学概念概念的理解

从机器学习中看矩阵理论和线性代数

从机器学习中看优化问题

机器学习第一章理解

欢迎