引入加法模型在给定了训练数据和损失函数的条件下，可以通过损失函数最小化来学习加法模型然而对于这个问题是个很复杂的优化问题，而且要训练的参数非常的多，前向分布算法
2023-05-11 19:30:20
2.12MB
1
朴素贝叶斯(naive Bayes)是基于贝叶斯定理和条件独立假设的分类方法。该方法是生成方法，即通过数据学习输入/输出的联合概率分布，然后基于此模型，对于给定的输入x，求出后验概率最大的输出y。
1.模型
联合概率分布：P(X,Y)
先验概率(边缘概率)分布：
条件概率分布：
三者关系：条件概率分布=联合概率分布/先验概率。
条件概率分布有指数级数量参数，通过条件独立假设(用于分类的特征在类确定的条件下都是条件独立的)，将朴素贝叶斯法变得简单，但会牺牲一定的分类准确率。
条件独立性假设得到：
2.策略
贝叶斯公式：
朴素贝叶斯法分类时，对给定的输入x，通过学习计算后验概率分布，将后验
2022-11-09 07:52:37
221KB
1
此资源为自己编写，主要讲述了传统机器学习的k近邻、朴素贝叶斯、svm、感知机、逻辑回归等算法，对其的思想和优缺点做了总结。
由于此文档仅为学习时笔记，若有问题还请见谅，也希望读者能够指出。
2022-04-27 18:13:31
7.83MB
1
资源包含一个非常详细的机器学习总结xmind源文件，可用xmind打开编辑和学习。非常详细的公式推导，有效帮助快速建立机器学习知识体系，为深度学习打下见识的基础。
总结内容：绪论、模型评估与选择、线性模型、支持向量机、贝叶斯分类器、集成学习、深度学习
2021-04-23 09:02:45
10.9MB