05 2013 档案

机器学习（三）决策树学习
摘要：一.简介 决策树学习是一种逼近离散值目标函数的方法，在这种方法中学习到的函数被表示为一棵决策树。二.决策树的表示法 决策树通过把实例从艮节点排列到某个叶子结点来分类实例，叶子结点即为实例所属的分类。树上的每一个结点指定了对实例的某个属性的测试，并且该结点的每一个后继分支对应于该属性的一个可能值。分类实例的方法是从这棵树的根节点开始，测试这个结点的属性，然后按照给定实例的属性值对应的树枝向下移动。然后这个过程在以新结点的根的子树上重复。决策树对应表达式：四.基本的决策树学习算法1. ID3算法通过自顶向下构造决策树来进行学习。构造过程是从“哪一个属性将在树的根结点被测试？”这个问题开始的。为.. 阅读全文

posted @ 2013-05-30 19:00 lufangtao 阅读(37374) 评论(0) 推荐(1)

机器学习（二）概念学习
摘要：一.概念概念学习：是指从有关某个布尔函数的输入输出训练样例中推断出该布尔函数。二.概念学习任务任何概念学习任务能被描述为：实例的集合、实例集合上的目标函数、候选假设的集合以及训练样例的集合。 EnjoySport概念学习任务已知： 实例集X：可能的日子，每个日子由下面的属性描述： sky:(可取值 sunny,Cloudy和Rainy) AirTemp:(可取值为Warm和Cold) Humidity:(可取值为Normal和High) Wind:(可取值为：Strong和Weak) Water：(可取值为Warm和Cold) F... 阅读全文

posted @ 2013-05-24 21:55 lufangtao 阅读(15190) 评论(1) 推荐(1)

机器学习（一）引言
摘要：一.学习1. 定义：如果一个计算机程序针对某类任务T的用户P衡量的性能根据经验E来自我完善。那么我们称这个计算机程序在经验E中学习，针对某类任务T，它的性能用P来衡量。例如：西洋跳棋学习问题任务T：下西洋跳棋性能标准P:比赛中击败对手的百分比训练经验E:和自己进行对弈2.设计一个学习系统1.选择训练经验训练经验的属性：训练经验能否为系统的决策提供直接或间接的反馈学习器可以在多大程度上控制训练样例序列训练样例的分布能多好地表示实例分布，通过样例来衡量最终系统的性能P2.选择目标函数目标函数V，V:B->A来表示V把任何合法的棋局从集合B映射到某一个实数值。我们让这个目标函数V给好的棋局赋予 阅读全文

posted @ 2013-05-19 15:35 lufangtao 阅读(1524) 评论(0) 推荐(0)

导航