【课程笔记】机器学习课程DrSu
2018-03-03 20:34
246 查看
1基本概念
(d:第d维特征;i:第i个样例)
训练数据:由输入(特征向量)与输出对组成;训练集T={(x1,y1),...(Xn,yn)}
测试数据:由相应的输入与输出对组成
输入与输出对成为样本或样本点
区别:
输入空间、输出空间、特征空间可以是相同空间,也可以不是同一空间。
通常输出空间远远小于输入空间。
模型定义在特征空间上,一个实例由特征向量表示。
2机器学习分类:
按输出空间分类:分类(离散)、回归(连续)、结构化学习
按数据标记分类:半监督、监督、无监督、强化学习(?)
按目标函数学习策略:在线学习、批量式、主动学习
按目标函数的模型:产生式(对p(X,y)进行建模,朴素贝叶斯、HMM)、判别式(直接学习p(y|X);k近邻、感知机、决策树、logistic分类器、SVM、Boosting、CFR)
方法=模型h+策略Loss+算法(求grad)
基本概念:
/联合概率密度分布
输入与输出的随机变量遵循联合概率分布P(X,Y)
X和Y有联合概率分布的假设就是监督学关于数据的基本假设
训练数据与测试数据是依据P(X,Y)独立同分布产生的
独立
同分布
输入 | 定义在输入(特征空间)随机变量取值 | 输入变量习惯用大写字母X,输入变量所取的值用小写字母x | 可以是标量或向量 |
输出 | 定义在输出空间的随机变量取值 | 输出变量习惯用大写字母Y,输出变量所取的值用小写字母y | 可以是标量或向量 |
(d:第d维特征;i:第i个样例)
训练数据:由输入(特征向量)与输出对组成;训练集T={(x1,y1),...(Xn,yn)}
测试数据:由相应的输入与输出对组成
输入与输出对成为样本或样本点
输入空间 | 输入的所有可能取值的集合 | 有限元素的集合、整个欧式空间 |
输出空间 | 输出的所有可能取值的集合 | 有限元素的集合、整个欧式空间 |
特征空间 | 特征向量的所有可能取值(特征空间的每一维对应于一个特征) | |
假设空间 | 输入到输出的映射集 |
输入空间、输出空间、特征空间可以是相同空间,也可以不是同一空间。
通常输出空间远远小于输入空间。
模型定义在特征空间上,一个实例由特征向量表示。
2机器学习分类:
按输出空间分类:分类(离散)、回归(连续)、结构化学习
按数据标记分类:半监督、监督、无监督、强化学习(?)
按目标函数学习策略:在线学习、批量式、主动学习
按目标函数的模型:产生式(对p(X,y)进行建模,朴素贝叶斯、HMM)、判别式(直接学习p(y|X);k近邻、感知机、决策树、logistic分类器、SVM、Boosting、CFR)
方法=模型h+策略Loss+算法(求grad)
基本概念:
输入与输出的随机变量遵循联合概率分布P(X,Y)
X和Y有联合概率分布的假设就是监督学关于数据的基本假设
训练数据与测试数据是依据P(X,Y)独立同分布产生的
独立
同分布
相关文章推荐
- 【机器学习 吴恩达】CS229课程笔记notes1翻译-Part I线性回归
- Coursera 机器学习(by Andrew Ng)课程学习笔记 Week 1——简单的线性回归模型和梯度下降
- 吴恩达Coursera深度学习课程 DeepLearning.ai 提炼笔记(3-2)-- 机器学习策略(2)(转)
- 斯坦福大学公开课 :机器学习课程笔记-[第1集] 机器学习的动机与应用
- Andrew Ng《机器学习》视频课程笔记 - 1(开篇)
- coursera机器学习课程第六周——课程笔记
- (斯坦福机器学习课程笔记)EM算法
- 台湾大学林轩田机器学习技法课程学习笔记4 -- Soft-Margin Support Vector Machine
- (斯坦福机器学习课程笔记)支持向量机之对偶问题
- 斯坦福大学机器学习课程笔记:线性回归以及梯度下降
- [机器学习入门] 李宏毅机器学习笔记-1(Learning Map 课程导览图)
- 台湾大学林轩田机器学习技法课程学习笔记10 -- Random Forest
- 机器学习技法课程学习笔记2 -- Dual Support Vector Machine
- Coursera台大机器学习课程笔记6 -- The VC Dimension
- 斯坦福大学机器学习课程学习笔记-逻辑回归
- Stanford机器学习课程笔记4-Kmeans与高斯混合模型
- Andrew NG 机器学习课程笔记(五)
- Coursera台大机器学习课程笔记3 – 机器学习的可能性
- 机器学习笔记--吴恩达机器学习课程2 - 3
- 机器学习之&&Andrew Ng课程复习--- 学习笔记(第三课)