上一页 1 ··· 5 6 7 8 9 10 11 12 13 ··· 28 下一页
摘要: 1.我们希望通过下式:最小化w的范数来得到最大间隔划分超平面对应的模型,其中w和b是模型参数: 这里xi和yi都是已知的,约束条件有m个,每一个样本点有一个约束,有m个样本点有m个约束,w是一个变量,w和b是一个向量。 2.对上式利用拉格朗日乘子法可以得到其对偶问题,即对上式每条约束添加一个拉格朗日 阅读全文
posted @ 2019-02-02 17:40 stone1234567890 阅读(296) 评论(0) 推荐(0) 编辑
摘要: 1.分类学习最基本的想法就是:基于一个训练集D在样本空间中找到一个划分超平面,将不同的类别样本分开。两类训练样本“正中间”超平面所产生的结果是最鲁棒的,对局部扰动容忍最好,对于未见的实例的泛化能力最强。 2.划分超平面可以由:方程来描述,其中为法向量,决定了超平面的方向,b为位移项,决定了超平面与原 阅读全文
posted @ 2019-02-02 15:42 stone1234567890 阅读(194) 评论(0) 推荐(0) 编辑
摘要: 一、 1.在这节课中我们将补充一些缺失的细节,并且介绍一些在实际中应用这些思想,例如怎么处理支持向量机中的偏差分析。上节课我们谈到选择标记点的过程,比如l(1),l(2)和l(3)使我们能够定义相似度函数,我们也称之为核函数,在这个例子中,我们的相似度函数为高斯核函数,这使得我们能够构造一个预测函数 阅读全文
posted @ 2019-02-02 13:14 stone1234567890 阅读(151) 评论(0) 推荐(0) 编辑
摘要: ki一、在这次课程中,我们将改造支持向量机算法,来构造比较复杂的非线性分类器,主要的技巧是称之为核(kernel)的东西,接下来我们看看核函数是什么以及如何使用它。 1.如果有一个这样的训练集,然后希望拟合一个非线性判别边界来区分正负样本示例,可能是下面这样的一个边界:一种方法是构造一个复杂多项式特 阅读全文
posted @ 2019-01-31 12:49 stone1234567890 阅读(407) 评论(0) 推荐(0) 编辑
摘要: 1.Broadcasting example (1)下面矩阵描述了来自四种不同的100克碳水化合物,蛋白质和脂肪的卡路里数量 比如说100g苹果所含的热量有56克来自碳水化合物,相比之下来自蛋白质和脂肪的卡路里数就很少了。相反,100g的牛肉,有104卡路里来自蛋白质,135克来自脂肪,没有卡路里来 阅读全文
posted @ 2019-01-30 20:49 stone1234567890 阅读(394) 评论(0) 推荐(0) 编辑
摘要: 1.向量内积: (1)假设有u和v这两个二维向量:,接下来看一下u的转置乘以v的结果,u的转置乘以v也叫做向量u和向量v的内积,u是一个二维向量,可以将其在图上画出来,如下图所示向量u: 在横轴上它的值就是某个u_1,在纵轴上它的高度就是某个值u_2,即U的第二个分量,那么现在就容易得出向量u的范数 阅读全文
posted @ 2019-01-30 14:01 stone1234567890 阅读(438) 评论(0) 推荐(0) 编辑
摘要: 1.下面是支持向量机(SVM)的代价函数: 上图左边是cost1(z)函数,用于正样本,右边画出了关于z的代价函数cost0(z),函数的横轴是z,现在我们想一下怎么样才能使得这些代价函数变得更小呢?当有一个正样本的时候,y=1,那么仅当z大于等于1的时候,cost1(z)=0,换句话说,如果有一个 阅读全文
posted @ 2019-01-30 13:00 stone1234567890 阅读(358) 评论(0) 推荐(0) 编辑
摘要: 一、图像识别与定位 0.Classification:C个类别 Input:Image Output:类别标签 Evaluation metric:准确率 1.Localization: Input:Image Output:物体边界框(xy,w,h) Evaluation mertric:交并准则 阅读全文
posted @ 2019-01-29 19:24 stone1234567890 阅读(211) 评论(0) 推荐(0) 编辑
摘要: 一.用户行为数据简介 1.用户行为在个性化推荐系统中分为两种: (1)显式反馈行为:包括用户明确表示对物品喜好的行为。 (2)隐式反馈行为:不能明确反应用户喜好的行为。 (3)显式反馈行为和隐式反馈行为数据比较 (4)反馈方向: 正反馈:用户喜欢该物品;负反馈:用户不喜欢该物品 (5)用户数据分为显 阅读全文
posted @ 2019-01-29 17:04 stone1234567890 阅读(213) 评论(0) 推荐(0) 编辑
摘要: 1.为了描述SVM,需要从logistic回归开始进行学习,通过改变一些小的动作来进行支持向量机操作。在logistic回归中我们熟悉了这个假设函数以及右边的sigmoid函数,下式中z表示θ的转置乘以x, (1)如果我们有一个样本,其中y=1,这样的一个样本来自训练集或者测试集或者交叉验证集,我们 阅读全文
posted @ 2019-01-29 14:36 stone1234567890 阅读(670) 评论(0) 推荐(0) 编辑
上一页 1 ··· 5 6 7 8 9 10 11 12 13 ··· 28 下一页