学习资料:《统计学习方法 第二版》、《机器学习实战》、吴恩达机器学习课程
一. 感知机Proceptron
-
感知机是根据输入实例的特征向量(x)对其进行二类分类的线性分类模型:(f(x)=operatorname{sign}(w cdot x+b)),感知机模型对应于输入空间(特征空间)中的分离超平面(w cdot x+b=0)。
-
感知机学习的策略是极小化损失函数:(min _{w, b} L(w, b)=-sum_{x_{i} in M} ;y_{i}left(w cdot x_{i}+bright));
损失函数对应于误分类点到分离超平面的总距离。 -
感知机学习算法是基于随机梯度下降法的对损失函数的最优化算法。对于所有误分类的点,计算这些点到超平面的距离,目的是最小化这些点到平面的距离。
当训练数据集线性可分时,感知机学习算法存在无穷多个解,其解由于不同的初值或不同的迭代顺序而可能有所不同。
二. K近邻算法
-
K-近邻算法是一种没有显示学习过程的算法。数据集的可代表性就很重要!
-
K-近邻原理:把数据集和输入实例点都映射到空间内,对给定的输入实例点,首先确定输入实例点的
内容来源于网络如有侵权请私信删除文章来源: 博客园
- 还没有人评论,欢迎说说您的想法!