发简信
IP属地：广东
-
降维
1.1 k近邻学习 k近邻学习（k-Nearest Neighbor,简称kNN）学习是一种常见的监督学习方法，其工作机制非常简单：给定测试样本...
-
聚类1.1聚类任务 在“无监督学习”(unsupervesed learning)中，训练样本的标记信息是未知的，目标是通过对无标记训练样本的学习来...
-
集成学习
1.1个体与集成 集成学习（ensemble learning）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（multi-c...
-
模型评估与选择
1、经验误差与过拟合 错误率：分类错误的样本数占样本总体的比例。即如果m个赝本中存在a个样本分类错误，则错误率为E=a/m；精度=1-错误率=1...
-
贝叶斯分类器
1.1、贝叶斯决策论 贝叶斯决策论是概率框架下实施决策的基本方法。对分类任务来说，在所有相关概率都已知的理想情形下，贝叶斯决策论考虑如何基于这些...
-
神经网络1.1神经元模型 神经网络是由具有适应性的简简单单组成的广泛并行互连的网络，它的组织能够模拟生物神经网络系统对真实世界物体所作出的交互反应。 神...
-
支持向量机一、什么是支持向量机（SVM） 支持向量机作为传统机器学习的一个非常重要的分类算法。 支持向量机的基础概念可以通过一个简单的例子来解释， 让我们...
-
决策树决策树（decision tree）是一类常见的机器学习方法，顾名思义，决策树是基于树结构来进行决策的，这恰是人类在面临决策问题时一种很自然的处...
-
线性模型
3.1基本形式 线性模型试图学得一个通过属性的线性组合来进行预测的函数，即 一般用向量形式写成 其中w是一个参数向量。w和b学得以后，模型就得以...