Set_ML
2024-08-30 03:01:29
参考资料:斯坦福(http://cs231n.github.io/linear-classify/;http://cs231n.stanford.edu/slides/2017/)
Mastering Machine Learning With scikit-learn
假设函数(Hypothesis Function)模型的知识表达:
然后利用已知的数据对其中的参数进行求解,再将该函数用于新数据的预测,其中参数的求解过程称为“训练(Training) or 学习(Learning)”
待优化参数 θ0,θ1
损失函数(loss function),或叫代价函数(cost function)
损失函数越小,就代表模型拟合的越好。
损失函数最小目标转换为经验风险最小化
由于我们输入输出的 遵循一个联合分布,但是这个联合分布是未知的,所以无法计算。但是我们是有历史数据的,就是我们的训练集, 关于训练集的平均损失称作经验风险(empirical risk),即 ,所以我们的目标就是最小化 ,称为经验风险最小化。
结构风险
为了平衡经验风险最小化目标与模型的复杂性(模型对数据的记性)引入结构风险,常用方法L1和L2范数。
目标函数
最终的优化函数是: ,即最优化经验风险和结构风险,而这个函数就被称为目标函数。
线性可分
线性回归与分类
变换后:
线性回归
LinearRegression 回归
- 模型—线性最小二乘法(linear least squares)
- 函数表示—f(xi,W,b)=Wxi+b
- 损失函数—残差平方和(residual sum of squares)损失函数
多元
多项式回归
线性分类
二分类
Logistic 分类器
- 模型—Bernoulli(伯努利) 分布
- 函数表示—logistic函数(sigmoid函数)
多类
SVM
- 损失函数—折叶损失(hinge loss)
softmax
损失函数 —交叉熵损失(cross-entropy loss)
SVM vs. Softmax
线性不可分
SVM
ANN
最新文章
- [转载]jQuery诞生记-原理与机制
- chrome浏览器插件启动本地应用程序
- 你不知道的JavaScript-- 事件流与事件处理
- canvas画时钟
- 使用git ftp发布我个人的hexo博客内容
- Sheepdog HTTP API
- SQL Server 2008 Values 新用途
- bzoj 3225: [Sdoi2008] 立方体覆盖 题解
- hbase0.96 put流程 源码分析
- hive load from hdfs出错
- 长平狐 Cocos2d-x 的“HelloWorld” 深入分析
- argparse 命令含参数模块
- springmvc 获取request 和 java路径分隔符 在windows 和linux 下自动判断的方法
- Python列表(一)
- 201521123038 《Java程序设计》 第十三周学习总结
- JAVA实现上传文件到服务器、删除服务器文件
- Junit4X系列--hamcrest的使用
- oracle数据库命令行查看存储过程
- 十分钟入门 Less
- vue 引入Element组件
热门文章
- Ubuntu下安装和编译ffmpeg
- ssh port forwarding
- 30天自制操作系统(二)汇编语言学习与Makefile入门
- 1-3:CSS3课程入门之伪类和伪元素
- hdu2473 Junk-Mail Filter 并查集+删除节点+路径压缩
- 多文档自己主动文摘:Multi-Document Summarization,MDS
- android菜鸟学习笔记16----Android项目打包安装过程(Run as Android Application)
- 20179209《Linux内核原理与分析》第一周作业
- spring运行步骤
- POJ - 3984 迷宫问题 【BFS】