第一章：熟悉统计学习方法的基本概念
统计学习：基于数据构建概率统计模型并运用模型对数据进行预测和分析，也称为统计机器学习。
1.统计学习组成：监督学习，半监督学习，非监督学习和强化学习。
2.统计学习三个基本要素：模型（假设空间）、策略（确定选择模型的规则）、算法（求解最优模型，达到全局最优）。
a. 模型
b. 策略：确定模型选择的规则
当训练样本数目有限甚至很小时，则经验风险不能估计期望风险，所以必须对经验风险进行一定的矫正，这就关系到监督学习的两个基本策略，如下图：
c. 算法：实现求解最优模型的算法
3.模型评估：在给定的函数模型ƒ，是基于损失函数的模型的训练误差和测试误差。
4.模型选择：防止出现“过拟合”和泛化能力差
5.生成模型和判别模型，分类、标注、回归问题。
感知机（perceptron）是二类分类的线性分类模型，其输入为实例的特征向量，输出 为实例的类别，取+1和–1二值。感知机对应于输入空间（特征空间）中将实例划分为正 负两类的
1. import numpy as np import matplotlib.pyplot as plt from sklearn.dataset
第一章：熟悉统计学习方法的基本概念 统计学习：基于数据构建概率统计模型并运用模型对数据进行预测和分析，也称为统计机器学习。 1.统计学习组成：监督学习，半监督学习，非监督学
提升方法就是组合一系列弱分类器构成一个强分类器，AdaBoost是其代表性算法 AdaBoost算法 适用问题：二类分类，要处理多类分类需进行改进 代码(用s
第一章：熟悉统计学习方法的基本概念 统计学习：基于数据构建概率统计模型并运用模型对数据进行预测和分析，也称为统计机器学习。 1.统计学习组成：监督学习，半监督学习，非监督学
《统计学习方法》第一篇博文，对应原著第二章，感知机， 通过对原著的理解，在加上自己的推导，后面有时间再加上代码的实现。 感知机模型 感知机是一个二类分类的线性模型，输入
1. 统计学习由 监督学习，非监督学习，半监督学习和强化学习组成。 2. 监督学习方法主要包括 分类、标注 与 回归问题 3. 回归问题：输入变量 和 输出变量 均为连续
基本模型 简介：决策树可以认为是if-then规则的集合，也可以认为是定义在特征空间与类空间上的条件概率分布。其主要优点是模型具有可读性，分类速度快。 决策树学习通常包
川长思鸟来
太过爱你忘了你带给我的痛
你的名字
╰+哭是因爲堅強的太久メ
我就是我
超、凢脫俗
灰太狼
还没有评论，来说两句吧...