摘要：
注： 文章中所有的图片均来自台湾大学林轩田《机器学习技法》课程。 笔记原作者：红色石头 微信公众号：AI有道 上节课主要介绍了Decision Tree模型。Decision Tree算法的核心是通过递归的方式，将数据集不断进行切割，得到子分支，最终形成树的结构。C&RT算法是决策树比较简单和常用的 阅读全文
摘要：
注： 文章中所有的图片均来自台湾大学林轩田《机器学习技法》课程。 笔记原作者：红色石头 微信公众号：AI有道 上节课主要介绍了Adaptive Boosting。AdaBoost演算法通过调整每笔资料的权重，得到不同的hypotheses，然后将不同的hypothesis乘以不同的系数$\alpha 阅读全文
摘要：
注： 文章中所有的图片均来自台湾大学林轩田《机器学习技法》课程。 笔记原作者：红色石头 微信公众号：AI有道 上节课主要开始介绍Aggregation Models，目的是将不同的hypothesis得到的$g_t$集合起来，利用集体智慧得到更好的预测模型$G$。首先我们介绍了Blending，bl 阅读全文
摘要：
注： 文章中所有的图片均来自台湾大学林轩田《机器学习技法》课程。 笔记原作者：红色石头 微信公众号：AI有道 上节课主要介绍了Support Vector Regression，将kernel model引入到regression中。首先，通过将ridge regression和represente 阅读全文
摘要：
注： 文章中所有的图片均来自台湾大学林轩田《机器学习技法》课程。 笔记原作者：红色石头 微信公众号：AI有道 上节课我们主要介绍了Kernel Logistic Regression，讨论如何把SVM的技巧应用在soft binary classification上。方法是使用L2 level le 阅读全文
摘要：
注： 文章中所有的图片均来自台湾大学林轩田《机器学习技法》课程。 笔记原作者：红色石头 微信公众号：AI有道 上节课主要介绍了Soft Margin SVM，即如果允许有分类错误的点存在，那么在原来的Hard Margin SVM中添加新的惩罚因子$C$，修正原来的公式，得到新的$\alpha_n$ 阅读全文
摘要：
注： 文章中所有的图片均来自台湾大学林轩田《机器学习技法》课程。 笔记原作者：红色石头 微信公众号：AI有道 上节课主要介绍了Kernel SVM。先将特征转换和计算内积这两个步骤合并起来，简化计算、提高计算速度，再用Dual SVM的求解方法来解决。Kernel SVM不仅能解决简单的线性分类问题 阅读全文
摘要：
注： 文章中所有的图片均来自台湾大学林轩田《机器学习技法》课程。 笔记原作者：红色石头 微信公众号：AI有道 上节课主要介绍了SVM的对偶形式，即dual SVM。Dual SVM也是一个二次规划问题，可以用QP来进行求解。之所以要推导SVM的对偶形式是因为：首先，它展示了SVM的几何意义；然后，从 阅读全文
摘要：
注： 文章中所有的图片均来自台湾大学林轩田《机器学习技法》课程。 笔记原作者：红色石头 微信公众号：AI有道 上节课主要介绍了线性支持向量机（Linear Support Vector Machine）。Linear SVM的目标是找出最“胖”的分割线进行正负类的分离，方法是使用二次规划来求出分类线 阅读全文
摘要：
注： 文章中所有的图片均来自台湾大学林轩田《机器学习技法》课程。 笔记原作者：红色石头 微信公众号：AI有道 本系列分成16节课，将会介绍《机器学习基石》的进阶版《机器学习技法》，更深入地探讨机器学习一些高级算法和技巧。 一、Large Margin Separating Hyperplane 回顾 阅读全文