CS229 笔记06

CS229 笔记06

朴素贝叶斯

• 事件模型

  事件模型与普通的朴素贝叶斯算法不同的是，在事件模型中，假设文本词典一共有 \(k\) 个词，训练集一共有 \(m\) 封邮件，第 \(i\) 封邮件的词的个数为 \(n_i\) ，则 \(x^{(i)} \in \{1,2,\cdots,k\}^{n_i}\) 。

  此时模型的参数为：

  \[\begin{eqnarray*} \phi_{k|y=0}&=&P(x_j=k|y=0)\\[1em] \phi_{k|y=1}&=&P(x_j=k|y=1)\\[1em] \phi_{y=0}&=&P(y=0)\\[1em] \phi_{y=1}&=&P(y=1)\\[1em] P(x,y)&=&\left(\prod_{j=1}^nP(x_j|y)\right)P(y) \end{eqnarray*} \]

  ​
  

神经网络

• 简介

  这部分并没有详细讲。

支持向量机

• 记号的声明

  \[\begin{eqnarray*} x,W&\in&{\Bbb R}^n\\[1em] y&\in&\{-1,1\}\\[1em] b&\in&{\Bbb R}\\[1em] g(z)&=&\begin{cases}1&z\geq0\\[1em]-1&z<0\end{cases}\\[1em] h_{W,b}(x)&=&g(W^{\rm T}x+b) \end{eqnarray*} \]

  超平面 \((W,b)\) 与一个样本 \((x^{(i)},y^{(i)})\) 的Functional Margin（函数间隔） \(\hat{\gamma}^{(i)}\) 定义为：

  \[\hat\gamma^{(i)}\xlongequal{def}y^{(i)}\left(W^{\rm T}x+b\right) \]

  超平面 \((W,b)\) 与整个训练集的函数间隔 \(\hat{\gamma}\) 定义为：

  \[\hat\gamma\xlongequal{def}\min_i\hat\gamma^{(i)} \]

  超平面 \((W,b)\) 与一个样本 \((x^{(i)},y^{(i)})\) 的Geometric Margin（几何间隔） \(\gamma^{(i)}\) 定义为样本 \((x^{(i)},y^{(i)})\) 与超平面 \((W,b)\) 之间的距离，则样本在超平面上的投影为：

  \[x^{(i)}-\frac{W}{||W||}\gamma^{(i)} \]

  该点满足：

  \[\begin{eqnarray*} W^{\rm T}\left(x^{(i)}-\frac{W}{||W||}\gamma^{(i)}\right)+b&=&0\\[1em] W^{\rm T}x^{(i)}+b&=&\frac{W^{\rm T}W}{||W||}\gamma^{(i)}\\[1em] W^{\rm T}x^{(i)}+b&=&||W||\gamma^{(i)}\\[1em] \gamma^{(i)}&=&\left(\frac{W}{||W||}\right)^{\rm T}x^{(i)}+\frac{b}{||W||}\\[1em] \end{eqnarray*} \]

  更一般地（为了考虑分类结果的正误），将几何间隔 \(\hat\gamma^{(i)}\) 定义为：

  \[\gamma^{(i)}\xlongequal{def}y^{(i)}\left[\left(\frac{W}{||W||}\right)^{\rm T}x^{(i)}+\frac{b}{||W||}\right] \]

  而一般会将参数 \(||W||​\) 归一化使其等于1，此时几何等于函数间隔：

  \[\gamma^{(i)}\xlongequal{def}y^{(i)}\left(W^{\rm T}x+b\right) \]

  超平面 \((W,b)\) 与整个训练集的几何间隔 \(\gamma\) 定义为：

  \[\gamma\xlongequal{def}\min_i\gamma^{(i)} \]

  学习算法的目的就是最大化几何间隔。