今日内容
- 西瓜书第十章内容的阅读
- k邻近学习（kNN）：给定测试样本，基于某种距离度量找出训练集中与最靠近的k个训练样本，然后通过这k个“邻居”判断该测试样本属于何种标签，可以常用投票法判断
- 主成分分析：一种常用的降维方法，将一个高维的样本集用一个超平面对其进行恰当的表达，该超平面需要有一下性质：
- 最近重构性：样本点到这个超平面的距离都足够近
- 最大可分性：样本点在这个超平面上的投影能尽可能的分开
- 核化线性降维：PCA主要是线性降维，而KPCA主要是对非线性的降维。利用非线性矩阵将原样本集映射成线性可分的，再利用PCA常用方法求得超平面方程。
- 流形学习：我们所观察到的数据在它的维度上存在着冗余，而这些数据，我们完全可以在低维上唯一表示。
- 第十章涉及到的部分数学知识的回顾
- 归一化、标准化、中心化、最小二乘法、极大似然估计、协方差和点积、二次型、奇异值分解、特征值的理解
问题与困难
- 在学习第九章第十章内容，里面牵扯到的公式证明比较多，学习起来速度会有所下降，所以原计划昨天结束的第十章，一直拖到今天。昨天主要是对数学知识的回顾以及第九章的一些扫尾工作。
明日计划
- 继续西瓜书的学习，争取理解第十一章的大部分概念，对一些算法公式推导过程能够粗略看一遍。
标准化，归一化联系与区别
PCA，该文章中还提及了很多数学知识
posted @
2021-09-26 21:52
闲伯
阅读(
18)
评论()
编辑
收藏
举报
