原創
2016-08-22 14:34:28
雪倫_閱讀數 4813
更多分類專欄：
機器學習
機器學習
機器學習(machine learning, ml)是一門多領域交叉學科，涉及概率論、統計學、逼近論、凸分析、演算法複雜度理論等多門學科。專門研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的效能。它是人工智慧的核心，是使計算機具有智慧型的根本途徑，其應用遍及人工智慧的各個領域，它主要使用歸納、綜合而不是演繹。演算法
逼近離散值函式f的knn演算法
修改目標函式，則可以逼近連續值的目標函式
可以使用距離加權
其中
（1）c++版本
（2）python版本可以參考機器學習實戰
一篇介紹感知機原理很不錯的文章：
感知機的損失函式是誤分類點到超平面的距離演算法
（1）c++版本演算法
（1）c++版本
cart由id3,c4.5慢慢演化而來，是許多基於樹的bagging、boosting模型的基礎，非常重要。演算法
其中，5.25如下
（1）c++版本
（2）python版本可以參考機器學習實戰演算法
（1）模型引數估計
（2）梯度下降學習引數
（3）最終模型
更多原理
實現（1）c++版本
（2）python版本可以參考機器學習實戰
分布式
演算法 更多原理
實現（1）c++版本libsvm
（2）python版本可以參考機器學習實戰演算法
（1）c++版本演算法
更多原理
實現（1）c++版本演算法
（1）c++版本
（2）python版本可以參考機器學習實戰演算法
更多原理
實現（1）c++版本
更多原理
實現演算法
（1）c++版本演算法
參考文獻
（1）《機器學習》 卡內基梅隆大學 tom m.mitchell
（2）《機器學習》 周志華
（3）《統計學習方法》 李航
文章最後發布於: 2016-08-22 14:34:28
機器學習常見演算法概述 整合學習總結
整合學習 多個弱分類器組合成乙個強分類器。1.adaboost 通過改變訓練樣本的權重 初始時權重相同，每次將前乙個分類器分類錯誤的那些樣本的權重增加，表現在分類誤差率的計算上 反覆訓練多個弱分類器，最後根據這些弱分類器的分類誤差率 權重 將他們線性組合到一起。其中分類誤差率越大權重越小。等價於損失...
機器學習常見演算法
缺點 貝葉斯公式是乙個後驗概率公式 應用例項 中文的詞串分詞功能，如給 南京市長江大橋 分詞，有兩種可能性 貝葉斯影象識別 首先是視覺系統提取圖形的邊角特徵，然後使用這些特徵自底向上地啟用高層的抽象概念 比如是 e 還是 f 還是等號 然後使用乙個自頂向下的驗證來比較到底哪個概念最佳地解釋了觀察到的...
常見演算法 概述
一 演算法概述 演算法是對特定問題求解步驟的一種描述，它是指令的有限序列，其中每一條指令表示乙個或多個操作。此外，乙個演算法還具有5個重要特性 有窮性 確定性 可行性 輸入 輸出。二 演算法設計 通常求解乙個問題可能會有多種演算法可供選擇，選擇的主要標準首先是演算法的正確性和可靠性 簡單性和易理解性...