摘要：
神经元 神经元接收到来自n个其他神经元传递过来的输入信号，这些输入信号通过带权重的连接（connection）进行传递，神经元接收到的总输入值将与神经元的阈值进行比较，然后通过"激活函数"处理以产生神经元的输出 理想的激活函数是阶跃函数，即将输入值映射为0，1，表示神经元抑制还是兴奋，但同样，需要将 阅读全文
posted @ 2025-04-08 19:04
rdcamelot
阅读(23)
评论(0)
推荐(0)
摘要：
决策树，顾名思义，是基于树结构来进行决策的 一般，一棵决策树包含一个根节点、若干个内部节点和若干个叶节点；叶节点对应于决策结果，其他每个节点则对应于一个属性测试； 根节点包含样本全集，根节点到叶节点的路径对应了一个判定测试序列，并且具有一个重要的性质：互斥并且完备，也就是说，每一个实例都被一条路径或 阅读全文
posted @ 2025-04-08 18:32
rdcamelot
阅读(60)
评论(0)
推荐(0)
摘要：
线性模型试图学得一个属性的线性组合形式来预测的函数 用向量形式表示也就是\(f(\boldsymbol{x}) = \boldsymbol{w}^{\mathrm{T}} \boldsymbol{x} + b\) 线性回归 将属性表示为向量，对于连续属性，这是易得的 对于离散属性，如果属性值之间存在 阅读全文
posted @ 2025-04-08 16:08
rdcamelot
阅读(39)
评论(0)
推荐(0)
摘要：
正则化个人认为是一些传统机器学习中最为核心的一个概念，它提供了一种形式去表示算法设计者对于目标模型形式的偏好，或者对模型进行一定的约束 表示对函数的偏好是比增减假设空间的成员函数更一般的控制模型容量的方法 具体来说，正则化项给目标函数添加了一个额外的惩罚项，使得参数在学习的过程中，强制在正则化项描述 阅读全文
posted @ 2025-04-08 15:29
rdcamelot
阅读(35)
评论(0)
推荐(0)
摘要：
符号 例如要表示矩阵时，需要粗体 \mathbf{} \(\mathbf{A}\) 表示向量也有 \boldsymbol{x} \(\boldsymbol{x}\) 实数符号等一般使用黑版粗体 \mathbb{} \(\mathbb{R}\) 表示估计量 \hat{P}(c) \(\hat{P}(c 阅读全文
posted @ 2025-04-08 14:02
rdcamelot
阅读(300)
评论(0)
推荐(0)
摘要：
用在测试集上的测试误差作为泛化误差的近似 测试误差，或者测试集的获得就要依据不同的评估方法 评估方法 留出法 将数据集划分为两个互斥的集合，其中一个集合作为训练集，另一个作为测试集 划分过程中尽可能保持数据分布的一致性，保留类别比例的采样方法称为“分层采样” 交叉验证法 将数据集D划分为k个大小相似 阅读全文
posted @ 2025-04-08 00:37
rdcamelot
阅读(36)
评论(0)
推荐(0)
摘要：
向量 一个向量时一列数，这些数是有序排列的 用符号 - 表示集合的补集中的索引，例如\(\boldsymbol{x}_{-1}\)表示\(\boldsymbol{x}\)中除\(x_1\)外的所有元素 张量 坐标超过两维的数组 矩阵 特殊矩阵 满秩矩阵：rank(A)=min(m,n) 正定矩阵：是 阅读全文
posted @ 2025-04-08 00:00
rdcamelot
阅读(60)
评论(0)
推荐(0)
浙公网安备 33010602011771号