原创 幾種分類方法簡述
IDA--轉換爲特徵空間; 樸素貝葉斯---特徵之間相互獨立; 決策樹----挑選最優的特徵;
原创 決策樹--matlab自帶函數
已知訓練數據和訓練數據類,獲得決策樹模型: t=treefit(train_X,y);%train_X的行數爲樣本數,列數爲特徵數;y的行數爲樣本數,1列表徵類; t=classregtree(train_X,y):%用法與上一致,只是t
原创 統計學習方法---決策樹之ID3算法
ID3算法只有樹的生成,所以該算法生成的樹容易產生過擬
原创 統計學習方法----決策樹
決策樹模型:樹形結構,選擇較優的特徵,對實例進行分類的過程。 (可以與Adaboost算法結合使用,由弱分類器轉化爲強分類器) 包含3個步驟:特徵選擇,決策樹生成,決策樹修剪。
原创 統計學習方法----提升樹
提升方法實際採用加法模型(即基函數的線性組合)和前向分佈算法。以決策樹爲基函數的提升方法稱爲提升樹。
原创 k-means--常用於爲高斯混合模型設置初始值
k-means作用:用於劃分聚類; k-means算法: 1、選取k個聚類質心點:mu1,mu2,.....,muk; 2、重複下面過程直到收斂: 對每個樣例i,計算其應屬於的類j:C(i)=argmin( ||x(i)-mu
原创 統計學習方法---高斯混合模型參數估計的EM算法
EM算法:對含有隱變量的概率模型參數的極大似然估計法; 每次迭代由兩步組成:E步,求期望;M步,求極大; EM算法與初值的選擇有關,選擇不同的初值可能得到不同的參數估計值;
原创 樣本不同特徵構成的協方差矩陣
X:行數爲樣本數,一行爲一個樣本的各個特徵(維數); sigma=cov(X); sigma爲協方差矩陣,大小爲維數*維數的方陣; (對於一個圖像來說,劃分的圖像塊的數目爲樣本數;一個圖像塊的數據點數爲特徵數); 點贊
原创 使用LDA線性判別分析進行多類的訓練分類
本文使用LDA作爲分類器在matlab下做實驗。 其中投影轉換矩陣W按照LDA的經典理論生成,如下的LDA函數,並返回各個類的投影后的(k-1)維的類均值。 LDA.m代碼如下: function [W,centers]
原创 統計學習方法---條件隨機場2
概率無向圖模型(馬爾可夫隨機場)的因子分解 ----------寫作圖中所有最大團C上的函數的乘積形式。 點贊 1 收藏 分享 文章舉報
原创 統計學習方法---隱馬爾可夫模型1
隱馬爾可夫模型三要素:初始狀態概率向量,狀態轉移概率矩陣A 和觀測概率矩陣B。 隱馬爾可夫模型作了兩個假設: 1)任意時刻t的狀態只依賴其前一時刻的狀態; 2)任意時刻的觀測只依賴該時刻的狀態;
原创 統計學習方法---隱馬爾可夫模型2
這裏僅關注其概率計算問題,概率計算問題有前向計算和後向計算兩種方法,這裏主要講前向計算。
原创 統計學習方法--條件隨機場1
條件隨機場:給定一組輸入隨機變量條件下,獲得另一組輸出隨機變量的條件概率分佈模型。 特點:假設輸出隨機變量構成馬爾可夫隨機場。 這裏主要講:線性鏈條件隨機場 概率無向圖模型:又稱馬爾可夫隨機場,是一個由無向圖表示的聯合概率分佈。 模型
原创 LDA和樸素貝葉斯相結合---圖像分類
通過LDA方法將原始空間轉換成特徵空間,然後再用樸素貝葉斯方法進行分類; 1)用LDA方法轉換成特徵空間,用 Deng Cai, Xiaofei He, Yuxiao Hu, Jiawei Han, and Thomas Huang,
原创 統計學習方法----條件隨機場3
條件隨機場定義:給定隨機變量X(觀測序列)條件下,隨機變量Y(狀態序列)的馬爾可夫隨機場。 (由此可以看出,條件隨機場是條件概率分佈問題,馬爾可夫隨機場是聯合概率分佈問題。)