Benjay

摘要： #1. 决策树模型与学习 ##1.1 决策树模型 ###1.1.1 定义 用决策树分类，从根结点开始，对一实例的某一特征进行测试，根据测试结果，将实例分配到其子结点这时，每一个子结点对应着该特征的一个取值。如此递归地对实例进行测试并分配，直至达到叶结点。最后将实例分到叶结点的类中 ###1.1.2 阅读全文

摘要： #1. 朴素贝叶斯法的学习与分类 ##1.1 基本方法 ###1.1.1 先验概率分布 ###1.1.2 条件概率分布 ###1.1.3 条件独立性假设 ####1.1.3.1 条件概率分布的参数个数： ####1.1.3.2 条件独立性假设： ###1.1.4 后验概率分布 ###1.1.5 朴素 阅读全文

摘要： #1.K近邻算法 ##1.1 定义 说明：分类时，对新的实例，根据其k个最近邻的训练实例的类别，通过多数表决等方式进行预测，因此KNN算法不能得到一个函数或者概率分布来表示学习过程 ##1.2 一般过程 1）计算已训练集中样本与待测样本之间的距离； 2）按距离排序； 3）选取与当前样本距离最小的k个 阅读全文

摘要： #1. 感知机模型 ##1.1 定义 ##1.2 类型 感知机是线性分类模型属于判别模型 ##1.3 几何解释 #2. 感知机学习策略 ##2.1 数据集的线性可分性 ###2.1.1 定义 ##2.2 感知机学习策略 ###2.2.1 损失函数 ####2.2.1.1 定义： 1）误分类点到超平面 阅读全文

摘要： #1. 统计学习 ##1.1 统计学习的方法 基于数据构建概率统计模型从而对数据进行预测与分析。统计学习由监督学习、无监督学习、强化学习等组成 ##1.2 实现统计学习的方法的步骤 1）得到一个有限的训练数据集合 2）确定包含所有可能的模型的假设空间，即学习模型的集合 3）确定模型选择的准则，即学习 阅读全文