機(jī)器學(xué)習(xí) 課件 第3-5章 貝葉斯分類器、最近鄰分類器、線性模型_第1頁
機(jī)器學(xué)習(xí) 課件 第3-5章 貝葉斯分類器、最近鄰分類器、線性模型_第2頁
機(jī)器學(xué)習(xí) 課件 第3-5章 貝葉斯分類器、最近鄰分類器、線性模型_第3頁
機(jī)器學(xué)習(xí) 課件 第3-5章 貝葉斯分類器、最近鄰分類器、線性模型_第4頁
機(jī)器學(xué)習(xí) 課件 第3-5章 貝葉斯分類器、最近鄰分類器、線性模型_第5頁
已閱讀5頁，還剩29頁未讀， 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明：本文檔由用戶提供并上傳，收益歸屬內(nèi)容提供方，若內(nèi)容存在侵權(quán)，請進(jìn)行舉報或認(rèn)領(lǐng)

文檔簡介

第3章貝葉斯分類器主講胡曉目錄3.1基本概念3.2決策準(zhǔn)則3.3高斯混合模型3.4未知概率密度函數(shù)估計3.5樸素貝葉斯3.6拉普拉斯平滑3.1基本概念

3.1基本概念

3.1基本概念

根據(jù)貝葉斯準(zhǔn)則和全概率公式3.2貝葉斯決策準(zhǔn)則

3.2貝葉斯決策準(zhǔn)則

3.3高斯混合模型

高斯混合模型，其凸性組合形式為

3.4未知概率密度函數(shù)估計

對數(shù)似然函數(shù)

最大化自然函數(shù)轉(zhuǎn)化為最小化代價函數(shù)

3.4未知概率密度函數(shù)估計

3.4未知概率密度函數(shù)估計

每次迭代有兩步：

3.5樸素貝葉斯

樸素貝葉斯(Na?veBayes)采用屬性條件獨立性假設(shè)減少需估計的參數(shù)數(shù)量：

3.6拉普拉斯平滑

謝謝！第4章最近鄰分類器《機(jī)器學(xué)習(xí)》胡曉4.1最近鄰規(guī)則

4.2加權(quán)最近鄰分類器

4.2加權(quán)最近鄰分類器

4.3加速策略

4.3加速策略

4.3加速策略

謝謝！第5章線性模型《機(jī)器學(xué)習(xí)》胡曉目錄5.1二類線性模型5.2Lasso回歸5.3邏輯回歸5.4支持向量機(jī)5.5多類線性分類器5.6類不平衡問題5.1二類線性模型

二分類超平面的數(shù)學(xué)表達(dá)式

5.1二類線性模型

5.1線性回歸

5.2Lasso回歸

嶺回歸(Ridgeregression)的目標(biāo)函數(shù)

5.1線性回歸

5.3邏輯回歸

取對數(shù)調(diào)整成目標(biāo)函數(shù)

平均梯度為5.4支持向量機(jī)

5.4支持向量機(jī)

5.4支持向量機(jī)

5.5多類線性模型5.5.1基本策略“一對一”“一對余”“多對多”

5.5.2Softmax回歸

5.6類不平衡問題類別不均衡(class-imbalance)，有些場合也稱為長尾問題(Long-tail)，指分類任務(wù)中不同類別樣本的比例相差懸殊，如有2000個樣本的樣本集中僅有20個正樣本，其余全是負(fù)樣本。閾值移動數(shù)據(jù)再平衡過采樣：SMOTE(syntheticminorityoversamp

溫馨提示

  • 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽，若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 人人文庫網(wǎng)僅提供信息存儲空間，僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理，對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯，并不能對任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容，請與我們聯(lián)系，我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

最新文檔

評論

0/150

提交評論