- 博客(10)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 EM算法及其推广
EM算法及其推广EM算法的引入 EM是一种迭代算法，用于含有隐含量的概率模型的极大似然估计，或极大后验概率估计。EM算法的每次迭代由两步组成:E步求期望；M步求极大。所以这一算法称为期望极大算法，简称EM算法。 EM算法的引入 概率模型有时既含有观测变量，又含有隐变量或潜在变量。当模型含有隐变量时，就不能简单地使用这些估计方法。EM 算法就是含有隐变量的概率模型参数的估计似然估计法。 将观测数据表示为Y={Y1,Y2,...,Yn}Y=\lbrace Y_1,Y_2,...,Y_n \rbraceY={Y1
2020-07-14 22:19:49
156
原创 提升方法
提升方法AdaBoost算法提升树提升树模型提升树算法梯度提升 在分类问题中，提升方法通过改变样本的权重，学习多个分类器，并将这些分类器进行线性组合提高分类性能。这样做的理论基础是强可学习与弱可学习是等价的，也就是说，在PAC学习的框架下，一个概念是强可学习的充分必要条件是这个概念是弱可学习的。这样一来，问题便成为了，在学习中，如果已经发现了"弱可学习算法”，那么能否将它提升为"强可学习"。大家知道，发现弱可学习算法通常要比发现强可学习算法容易得多。提升方法就是从弱学习算法出发，反复学习，得到一系列弱分类器
2020-07-09 16:38:20
121
1原创 决策树
决策树前言决策树模型 前言 决策树模型呈树状结构，表示基于特征对实例进行分类的过程。可以从以下两个角度理解决策树模型:(1)可以把决策树看成是if-then规则的集合，其中实例中的每个特征是判断的条件。(2)可以把决策树看成是定义在特征空间与类空间的条件概率分布。决策树包含以下三个内容：特征选择、决策树的生成与决策树的修剪。 决策树模型 分类决策树模型是一种描述对实例进行分类的树形结构。决策树由结点和有向边组成。结点有两种类型：内部结点和叶结点。内部结点表示一个特征或属性，叶结点表示一个类。 内部结点就是属
2020-07-03 10:36:38
214
原创 朴素贝叶斯
朴素贝叶斯前言基本方法 前言 朴素贝叶斯法是基于贝叶斯定理与特征条件独立假设的分类方法。首先基于特征条件独立的假设学习输入/输出的联合概率分布P(X,Y)P(X,Y)P(X,Y);然后根据此模型对于给定的输入xxx,利用贝叶斯定理求出后验概率最大的输出yyy，即P(Y∣X)P(Y|X)P(Y∣X)，朴素贝叶斯是一个生成模型。所谓的特征条件独立是在类别确定的情况下实例的特征之间是独立的。 基本方法 训练数据集T={(x1,y1),(x2,y2),⋅⋅⋅,(xN,yN)}T=\lbrace (x_1,y_1),
2020-06-30 22:25:31
63
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人