台部落i春暖花开

1:目標對於無目標約束問題進行最小值求解問題。 x(k+1)=x(k)+t(k)Δx 等式爲迭代關係，其中 t(k) 爲第k次的迭代步長。Δx 搜索方向。對於求其最優解，即是考慮求其最小值。我們所有學的下降

2020-06-03 03:56:48

解釋：高斯分界面的等式成立可以這樣理解：對於任意一點x，其出現在y=0和y=1的兩類概率相等。 clear; clc %%隨機生成一組高斯數據 mu1=[2,2,3]; sigma=[1,0,0;0,2,0;0,0,3]

2020-06-03 03:56:48

一：感知機 1.定義：輸入空間(特徵空間)x ，輸出空間(類別)y=−1,+1 。由輸入空間到輸出空間的映射爲如下函數f(x)=sign(w∗x+b) 稱爲感知機。 2.思想由訓練樣本T=(x1,y1)...(xn

2020-06-03 03:56:48

一：預備知識 1)條件概率：事件A 發生的條件下，事件B 發生的概率記爲：p(B|A)=p(AB)p(A) 。 2)全概率公式：設事件B1,B2...Bn 爲樣本空間的一個劃分，也就是事件B1,B2...Bn 把樣本空間不相交的給劃

2018-08-25 23:17:08

解釋：高斯分界面的等式成立可以這樣理解：對於任意一點x，其出現在y=0和y=1的兩類概率相等。 clear; clc %%隨機生成一組高斯數據 mu1=[2,2,3]; sigma=[1,0,0;0,2,0;0,0,3]; x0

2018-08-25 23:17:05

一：線性迴歸線性迴歸假設特徵和結果滿足線性關係。線性迴歸，就是線性擬合，擬合就是找到那條線，對殘差平方和最小的那條直線。比如說：我們要模擬房子的大小(x1 )，房子的位置(x2 )。。。對於房價(y )的影響。假設他們是線性關係。則

2018-08-25 23:17:04

本文參考文獻附在最後。是對參考文獻的理解。 1：此算法解決凸優化問題模型如下：minF(x)=g(x)+h(x) 其中g(x) 凸的，可微的。h(x) 閉的凸的。其中g(x),h(x)是由F(x) 分離出來的兩項，當F(x) 分離

2018-08-25 23:17:04

動態規劃筆記由於自己是非計算機專業，而對編程學習比較感興趣，特學習算法導論一書，根據書上僞代碼來練習，一來提高自己算法思維，二來督促自己好好學習，不能虛度光陰。一：思想　　動態規劃，通常用來求解最優化問題，這類問題有很多可行解，我

2018-08-25 23:17:04

一：感知機 1.定義：輸入空間(特徵空間)x ，輸出空間(類別)y=−1,+1 。由輸入空間到輸出空間的映射爲如下函數f(x)=sign(w∗x+b) 稱爲感知機。 2.思想由訓練樣本T=(x1,y1)...(xn,yn)

2018-08-25 23:17:04

1：解決的問題模型如下：或者約束條件可以適當的鬆弛，即爲如下模型：當然約束條件取l2 範數，b 數據獲取的比較準確，結果逼近的效果更好，防止過擬合。如果取l1 範數，則是獲取的b 數據，受到污染比較嚴重。並且b 本身就

2018-08-25 23:17:02

1:目標對於無目標約束問題進行最小值求解問題。 x(k+1)=x(k)+t(k)Δx 等式爲迭代關係，其中 t(k) 爲第k次的迭代步長。Δx 搜索方向。對於求其最優解，即是考慮求其最小值。我們所有學的下降方法滿足

2018-08-25 23:17:02

1:矩陣的填充問題。矩陣填充問題,考慮的是採樣得到的一個矩陣，這個矩陣並不是完整的，只能得到一部分的元素。如何利用已有的元素，去把未知的元素給填充完整。不是說任意不完全的矩陣都可以直接填充的，現有的算法必須要求這個矩陣是

2018-08-25 23:17:02

1：稀疏表示：考慮線性等式，或者是線性逼近。X=Da ,這裏的D是M∗P 的矩陣。稱爲字典（字典學習中），測量矩陣（壓縮感知中），權重矩陣（多任務學習中），其中M<<P 。D 中的每一列稱爲原子。其模型爲min||a||0

2018-08-25 23:17:02

一：EM算法介紹 1）算法解釋： Expectation-maximization algorithm，期望最大化算法。用於含有不可觀察的隱形變量的，概率模型中，並利用參數最大似然估計。 2）計算思想：因爲模型包含隱含的變量，可以看作

2018-08-25 23:17:02

1：思想 K-means，屬於無監督學習。即輸入數據沒有標籤y，經過一些算法後，找到標籤y。聚類的目的就是找到每個樣本潛在的標籤y，並將同類別的樣本放到一起。而k-means聚類：就是把n個點（可以是樣本的一次觀察或一個實

2018-08-25 23:17:02