影醉阏轩窗 - 博客园

StanFord ML 笔记第五部分

摘要： 1.朴素贝叶斯的多项式事件模型：趁热打铁，直接看图理解模型的意思：具体求解可见下面大神给的例子，我这个是流程图。在上篇笔记中，那个最基本的NB模型被称为多元伯努利事件模型（Multivariate Bernoulli Event Model，以下简称 NB-MBEM）。该模型有多种扩展，一种是在阅读全文

posted @ 2017-11-02 04:30 影醉阏轩窗阅读(368) 评论(0) 推荐(0)

大数定律和中心极限定律

摘要：看了《概率论与数理统计》上面说了大数定律和中心极限定律的推到。。。。没时间去弄公式推到，现在大概了解，之后用到再去一步步推到。中心极限定理：设随机变量X1，X2，......Xn，......独立同分布，并且具有有限的数学期望和方差：E(Xi)=μ，D(Xi)=σ20(k=1,2....)，则对阅读全文

posted @ 2017-11-01 22:30 影醉阏轩窗阅读(2199) 评论(0) 推荐(0)

先验概率、后验概率、似然函数的理解

摘要：注释：最近一直看到先验后验的说法，一直不懂，这次查了资料记录一下。 1.先验和后验的区别： A.简单的了解两个概率的含义先验概率可理解为统计概率，后验概率可理解为条件概率。设定背景：酒至半酣,忽阴云漠漠,骤雨将至。情景一： “天不会下雨的，历史上这里下雨的概率是20%” 先验概率 “但阴云漠漠阅读全文

posted @ 2017-11-01 21:49 影醉阏轩窗阅读(3835) 评论(0) 推荐(1)

概率密度函数、概率分布函数、概率质量函数

摘要： 1.概率密度函数 1.1. 定义如果对于随机变量X的分布函数F(x),存在非负函数f(x),使得对于任意实数有则称X为连续型随机变量，其中F(x)称为X的概率密度函数，简称概率密度。（f(x)>=0,若f(x)在点x处连续则F(x)求导可得）f(x)并没有很特殊的意义，但是通过其值得相对大小得知阅读全文

posted @ 2017-11-01 17:58 影醉阏轩窗阅读(21670) 评论(0) 推荐(8)

高维高斯分布的简述

摘要：标准的一元高斯分布概率密度函数是：如果有另外一个随机变量，它和是相互独立的，那么，它们的联合概率密度函数是：那么，如果用和组成一个随机向量，形如: 那么，的密度函数就是：为了让形式更一般化，设: 概率密度函数关系里可知：注释：这里笔误||A|| >>>|A| 是指A的矩阵概率密度函数间的关阅读全文

posted @ 2017-11-01 17:25 影醉阏轩窗阅读(772) 评论(0) 推荐(0)

协方差和相关系数的概念和含义

摘要： 1.协方差：在概率论中，两个随机变量 X 与 Y 之间相互关系，大致有下列3种情况：当 X, Y 的联合分布像上图那样时，我们可以看出，大致上有： X 越大 Y 也越大， X 越小 Y 也越小，这种情况，我们称为“正相关”。当X, Y 的联合分布像上图那样时，我们可以看出，大致上有：X 越大Y 阅读全文

posted @ 2017-11-01 15:36 影醉阏轩窗阅读(1290) 评论(0) 推荐(0)

StanFord ML 笔记第四部分

摘要：第四部分： 1.生成学习法 generate learning algorithm 2.高斯判别分析 Gaussian Discriminant Analysis 3.朴素贝叶斯 Navie Bayes 4.拉普拉斯平滑 Navie Bayes 一、生成学习法generate learning al 阅读全文

posted @ 2017-11-01 12:59 影醉阏轩窗阅读(280) 评论(0) 推荐(0)

StanFord ML 笔记第三部分

摘要：第三部分： 1.指数分布族 2.高斯分布 >>>最小二乘法 3.泊松分布 >>>线性回归 4.Softmax回归指数分布族：结合Ng的课程，在看这篇博文：http://blog.csdn.net/acdreamers/article/details/44663091 泊松分布：这里是一个扩展，阅读全文

posted @ 2017-11-01 01:02 影醉阏轩窗阅读(210) 评论(0) 推荐(0)

StanFord ML 笔记第二部分

摘要：本章内容： 1.逻辑分类与回归 sigmoid函数概率证明 >>>回归 2.感知机的学习策略 3.牛顿法优化 4.Hessian矩阵牛顿法优化求解：这个我就不记录了，看到一个非常完美的说明+演示+实际操作：http://www.matongxue.com/madocs/205.html#/mad 阅读全文

posted @ 2017-10-31 19:11 影醉阏轩窗阅读(205) 评论(0) 推荐(0)

StanFord ML 笔记第一部分

摘要：本章节内容： 1.学习的种类及举例 2.线性回归，拟合一次函数 3.线性回归的方法： A.梯度下降法 >>>批量梯度下降、随机梯度下降 B.局部线性回归 C.用概率证明损失函数(极大似然函数) 监督学习：有实际的输入和输出，给出标准答案做参照。比如：回归的运算，下面有例子。非监督学习：内有标准答案阅读全文

posted @ 2017-10-31 01:42 影醉阏轩窗阅读(437) 评论(0) 推荐(0)

寂寞的小乞丐