者[印度] 拉格哈夫·巴利（Raghav Bali）迪潘简·撒卡尔（Dipanjan Sarkar） 目 录译者序前言关于作者关于审稿人第1章 开始使用R语言和机器学习 1.1 探究R的基本内容 1.2 R的数据结构 1.3 使用函数 1.4 控制代码流 1.5 高级结构 1.6 进一步使用R 1.7 机器学习基础 1.8 总结 第2章 让我们进行机器学习 2.1 理解机器学习 2
理论，告诉一个名字，来猜猜是男是女，多多少少有点算命的味道。此命题是一种有监督的学习方法，从标注好的训练数据学习到一个预测模型，然后对未标注的数据进行预测。1、首先，有监督的学习方法，就需要这样一批标注数据：大量的人名，以及其性别。训练数据集参考 SofaSofa-数据科学社区 及其它网页爬取的数据： 2、对下载的数据进行清洗及特征提取，其流程如下：根据姓氏辞典把姓氏去掉，留下不带姓氏
转载
2023-07-11 16:40:12
103阅读
目录思考题4）原题目：贝叶斯判别的基本思想是什么？练习题第3题:以舒张期血压和讯将胆固醇含量预测被检查者是否患冠心病，测得15名冠心病人和16名健康人的舒张压。X1及血浆胆固醇含量X2，结果如表6-4。练习题第4题:对于A股市场2009年陷入财务困境的上市公司（ST公司），我们收集了8间ST公司陷入财务困境前的一年（2008年）的财务数据，同时对于财务良好的公司（非ST公司），收集了同一时期8家非
转载
2023-07-07 14:35:33
1260阅读
判别与聚类的比较：聚类分析和判别分析有相似的作用，都是起到分类的作用。判别分析是已知分类然后总结出判别规则，是一种有指导的学习；聚类分析则是有了一批样本，不知道它们的分类，甚至连分成几类也不知道，希望用某种方法把观测进行合理的分类，使得同一类的观测比较接近，不同类的观测相差较多，这是无指导的学习。 所以，聚类分析依赖于对观测间的接近程度（距离）或相似程
转载
2023-11-09 11:04:00
104阅读
#判别分析 用以判别个体所属群体的一种统计方法 判别分析重点是两类群体的判别方法
#主要判别分析方法 有距离判别 贝叶斯判别 费歇判别法
1、关键点：
#贝叶斯判别 贝叶斯判别式假定对研究对象已有一定的认识 这种认识常用先验概率来描述
#当取得样本后 就可以用样本来修正已经有的先验概率分布 得出后验概率分布
#然后通过后验概率分布 进行各种统计推断
#实际上就是使平均误判损失（误判概率与误判损
转载
2023-12-26 14:43:09
294阅读
最近做了点机器学习的东西，老师让用比较贝叶斯分离器，那就从最简单也是比较经典的朴素贝叶斯开始吧。在R语言中是e1071包中的一个函数naiveBayes实现了朴素贝叶斯 这个函数有几个参数 慢慢解释首先这个包的描述是：利用Bayes定理，计算出一个分类类变量的条件后验概率。这里是朴素贝叶斯所以也就假定每条数据的特征值的属性是独立无关的，不过有些论文也指出弱相关的时候也可以很好的分类不影响naive
转载
2023-08-25 16:40:14
207阅读
一、定性数据描述的数值方法1.某超市为研究不同类型饮料的市场销售情况，随机地调取了50名顾客购买饮料的数据，其性别以及购买饮料的类型如表所示。试计算购买人群（男、女）以及不同种类饮料的频数。 顾客性别及购买的饮料类型
首先将数据存放在drink.data中，然后用scan()函数将数据读出，再使用table()计算出频数.Lst<-scan("drink.data",what=lis
转载
2023-09-19 12:22:28
298阅读
文章目录零、本节目标一、线性回归的基本思想例题二、线性判别函数基本概念表达式决策规则三、Fisher线性判别分析方法（没怎么说）简述Fisher准则函数Fisher线性判别四、感知器基本原理（没怎么说）梯度下降算法（老师没强调）算法原理五、最优分类超平面（重点强调了模型，考了）六、线性支持向量机（没怎么说）补充：线性分类器的三种最优准则（没怎么说） 零、本节目标一、线性回归的基本思想用训练样本集
转载
2024-07-09 20:41:31
96阅读
生成式模型和判别式模型的概念是机器学习领域非常重要的基础知识，但能准确区分开二者并不是一件非常容易的事情，笔者经常是看一遍忘一遍，为了巩固下知识点，我将从以下几个方面对两种模型进行介绍和对比。概念首先我们需要明确，两种不同的模型都用于监督学习任务中。监督学习的任务就是从数据中学习一个模型，并用基于这个模型对给定的输入预测相应的输出。这种模型的一般形式为决策函数 或者条件概率分
原创
2022-10-18 15:06:41
637阅读
本文摘选来自： AI 智能体开发指南 一、背景 为了解决不同的应用场景，在AI的发展过程中，机器学习模型逐步分化为 判
生成式模型和判别式模型的概念是机器学习领域非常重要的基础知识，但能准确区分开二者并不是一件非常容易的事情，笔者经常是看一遍忘一遍，为了巩固下知识点，我将从以下几个方面对两种模型进行介绍和对比。概念首先我们需要明确，两种不同的模型都用于监督学习任务中。监督学习的任务就是从数据中学习一个模型，并用基于这个模型对给定的输入预测相应的输出。这种模型的一般形式为决策函数 或者条件概率分布 。我们先用一张图
原创
2021-02-05 19:17:42
727阅读
产生式模型(Generative Model)与判别式模型(Discrimitive Model)是分类器常遇到的概念，它们的区别在于： 对于输入x，类别标签y： 产生式模型估计它们的联合概率分布P(x,y) 判别式模型估计条件概率分布P(y|x) 产生式模型可以根据贝叶斯公式得到判别式模型，但反过
转载
2020-12-13 14:01:00
253阅读
2评论
1 定义1.1 生成式模型 生成式模型（Generative Model）会对x和y的联合分布p(x,y)建模，然后通过贝叶斯公式来求得 p(yi|x)，然后选取使得p(yi|x) 最大的 yi，即： 简单说生成式模型就是生成数据分布的模型。将求联合分布的问题转为了求类别先验概率和类别条件概率的问题。1.2 判别式模型 对条件概率 p(y|x;)
转载
2018-07-05 17:38:00
596阅读
2评论
有监督学习回归模型中，我们利用训练集直接对条件概率p(y|x;θ)建模，例如logistic回归就利用hθ(x) = g(θTx)对p(y|x;θ)建模（其中g(z)是sigmoid函数）。假设现在有一个分类问题，要根据一些动物的特征来区分大象(y = 1)和狗(y = 0)。给定这样的一种数据集，
转载
2017-04-20 00:23:00
213阅读
点赞
2评论
搞懂生成式模型和判别式模型
原创
2021-07-11 17:52:43
397阅读
本文摘选来自： AI 智能体开发指南
一、背景
为了解决不同的应用场景，在AI的发展过程中，机器学习模型逐步分化为 判别式（Discriminative）和生成式（Generative） 两各技术路线，从而形成了AI的两大派别。它们分别在分类、回归、模式识别以及数据生成等任务中发挥核心作用。
为了避免在AI技术选型过程中走弯路，为应用场景匹配不合适的AI，我们有必要了解两种AI的核心差异。
二
用bayes公式进行机器学习的经典案例从本科时候（大约9年前）刚接触Bayes公式，只知道P(A|B)×P(B) = P(AB) = P(B|A)×P(A)到硕士期间，机器学习课上对P(B|A)P(A)冠以“先验概率”，而不知“先验”二字到底从何而来。再到工作了几年之后重回校园，重新拾起对求知的热情，重新用向小白讲述Bayes公式的态度，讲述自己对它最朴素的理解。尽量让像我一样刚入门的小白同学们，
转载
2024-04-06 08:38:55
59阅读
## Python 判别式输出 bool 值
在 Python 编程语言中，判别式是一种用于判断某个条件是否成立的表达式。它通常返回一个布尔值，即 `True` 或者 `False`。判别式在编程中具有广泛的应用，可以用于条件语句、循环控制和逻辑运算等场景。
本文将介绍如何使用 Python 编写判别式，并通过代码示例展示其用法和灵活性。
### 1. 判别式的基础用法
在 Python
原创
2023-12-17 11:32:06
41阅读
一、判别分析通过一个已知类别的“训练样本”来建立判别准则，并通过预测变量来为未知类别的数据进行分类。根据判别的模型分为线性判别和非线性判别，线性判别中根据判别准则又分为Fisher判别，Bayes判别和距离判别。本文介绍最基础的Fisher判别，又称线性判别，R中可用MASS包内的lda()函数进行。 注：线性判别的基础假设是数据服从正态分布1
转载
2023-06-20 15:41:37
2527阅读
生成式模型 P(X,Y)对联合概率进行建模，从统计的角度表示数据的分布情况，
转载
2020-09-22 17:22:00
235阅读
2评论
