决策函数

大模型对齐方法笔记一：DPO及其变种IPO、KTO、CPO

DPO的主要思想是在强化学习的目标函数中建立决策函数与奖励函数之间的关系，以规避
chencjiajy·2024-09-01 15:36

【机器学习理论基础】一文看尽朴素贝叶斯算法

对于大多数的分类算法，比如决策树,KNN,逻辑回归，支持向量机等，他们都是判别方法，也就是直接学习出特征输出Y和特征X之间的关系，要么是决策函数Y=f(X)Y=f(X)Y=f(X),要么是条件分布P(Y
大数据AI·2024-08-23 10:20

图解机器学习 | 朴素贝叶斯算法详解

在机器学习中如KNN、逻辑回归、决策树等模型都是判别方法，也就是直接学习出特征输出YYY和特征XXX之间的关系（决策函数Y=f(X)Y=f(X)Y=f(X)或者条件分布P(Y∣X)P(Y|X)P(Y∣X
Dashesand·2024-02-08 03:22

机器学习本科课程 实验4 支持向量机

第一题：支持向量机的核函数实验内容：了解核函数对SVM的影响绘制不同核函数的决策函数图像简述引入核函数的目的1.导入模型importnumpyasnpimportmatplotlib.pyplotasplt
11egativ1ty·2024-02-05 10:55

贝叶斯分类器

进一步定义决策面和决策函数，基于正态分布讨论了贝叶斯分类的样子，但实际情况下，不一定是正态分布的，此时就需要对概率密度函数进行估计。
抄书侠·2024-02-04 20:33

机器学习--基础概念（二）

1.分类算法分类算法是有监督学习的一个核心问题，他从数据中学习一个分类决策函数或分类模型，对新的输入进行预测，输出变量取有限个离散值。
三三木木七·2024-01-27 10:39

统计学习方法-第1章-绪论

、非概率模型（在监督学习中，概率模型是生成模型，非概率模型是判别模型）按算法分类在线学习、批量学习按技巧分类贝叶斯学习、核方法统计学习方法三要素模型在监督学习过程中，模型就是所要学习的条件概率分布或者决策函数
chiemon·2024-01-21 13:04

Perceptron

模型模型是线性分类器决策函数是参数学习给定线性可分数据集,需要确定Perceptron模型的参数（w,b）将数
BigPeter·2024-01-21 00:53

机器学习三要素与拟合问题

模型通常分为决策函数或条件概率分布。由决策函数表示的
小森( ﹡ˆoˆ﹡ )·2023-12-29 12:19

【支持向量机】SVM线性支持向量机学习算法——软间隔最大化支持向量机

线性支持向量机学习算法输入：线性可分训练数据集，其中输出：分离超平面和分类决策函数1）构造并求解凸二次
F_D_Z·2023-12-27 15:20

【支持向量机】SVM线性可分支持向量机学习算法——硬间隔最大化支持向量机及例题详解

线性可分支持向量机学习算法输入：线性可分训练数据集，其中输出：最大间隔分离超平面和分类决策函数1）构造
F_D_Z·2023-12-27 15:09

统计学习方法（一）生成模型与判别模型

判别方法由数据直接学习决策函数或
shijiatongxue·2023-12-26 16:23

Linear classifiers——线性分类器

二维形式通常x增加一个恒等于1的维度，可以将b合并进w，于是更一般的形式为,就相当于b输出分类标签1.2几何意义对于，其法向量为,单位化对于平面上的一个数据点的向量来说，可以被分解为如下其中表示向量x在决策函数上的投影向量
搁浅丶.·2023-12-18 07:46

异常数据检测 | Python实现oneclassSVM模型异常数据检测

支持向量机(SVM)的异常检测SVM通常应用于监督式学习，但OneClassSVM[8]算法可用于将异常检测这样的无监督式学习，它学习一个用于异常检测的决策函数其主要功能将新数据分类为与训练集相似的正常值或不相似的异常值
算法如诗·2023-11-30 02:18

机器学习---SVM一些简单的例子（XOR逻辑分类、最大间隔超平面、一维回归、SVM分类、权重、类别不平衡、核函数、单变量特征选择、参数C、非线性核、不同类型的SVM、正则化参数、RBF核参数组合）

1.XOR逻辑分类利用非线性支持向量机进行XOR逻辑的二元分类，并将决策函数在输入空间上的分布情况可视化展示出来。
三月七꧁ ꧂·2023-11-24 18:02

对抗生成网络（GAN）学习笔记

生成模型与判别模型判别模型：由数据直接学习决策函数Y=f(X)或条件概率分布P(Y|X)作为预测模型，即判别模型。判别方法关心的是对于给定的输入X，应该预测什么样的输出Y。
仰望星空的小狗·2023-10-28 17:39

模式识别——高斯分类器

需知所有问题定义在分类问题下，基于贝叶斯决策定义条件概率为多元高斯分布，此时观测为向量X=X1,X2,...,XnX={X_1,X_2,...,X_n}X=X1,X2,...,Xn，通过极大后验展开可以得到最优决策函数
季马宝宝·2023-10-24 05:01

初探机器学习与评分卡模型

不用编程去指定机器做什么，而是让机器有能力自己学习首先定义任务T，经验E，表现P，如果机器有一个任务T，随着经验E的增多，表现P也会变好，则表示机器正在经验E中学习三要素模型（机器学习的成果，条件概率分布或决策函数
sleety_t·2023-10-15 22:48

梯度下降参数不收敛_数据分析|梯度下降算法

OX00统计学习三要素统计学习三要素：模型、策略、算法模型（=假设空间=所有备选模型）：决策函数（y=f（x）），条件概率分布，两种形式（一种是判别式模型，一种是生成式模型）策略：确定标准，决定最优标准最重要是确定损失函数
weixin_39622891·2023-10-06 13:45

机器学习 面试/笔试题

判别式模型：由数据直接学习决策函数Y=f(X)Y=f(X)Y=f(X),或由条件分布概率P(Y∣X)P(Y|X)P(Y∣X)作为预测模型。K近邻、SVM
uodgnez·2023-09-29 05:34

生成式模型与判别式模型的理解与对比

判别式模型由数据学习决策函数Y=f(X)或者条件概率P(Y|X)作为预测模型。
追逐AI的蜗牛·2023-09-23 05:42

生成式模型和判别式模型区别

这种模型的一般形式为决策函数或者条件概率分布。我们先用一张图来初步感受一下，等看完文章后再回来看一遍会更直观：2.定义生成式模型先对数据的联合分布进行建模，然后再通过贝叶斯
阿波拉·2023-09-23 05:07

机器学习算法（三） 基于概率论的分类方法： 朴素贝叶斯

在机器学习中如KNN、逻辑回归、决策树等模型都是判别方法，也就是直接学习出特征输出和特征之间的关系（决策函数或者条件分布）。但朴素贝叶斯是生成方法，它直接找出特征输出和特征
双杰_·2023-09-12 14:49

（统计学习方法|李航）第一章统计学习方法概论——四五六节模型评估与模型选择，正则化与交叉验证，泛化能力

80条记录给训练集，10条记录给测试集，10条记录给验证集先在训练集中训练模型，再在验证集上测试看哪种模型更拟合最后用测试集算出成绩表示决策函数模型拟合的好坏（对已知数据的预测效果）我们可以通过训练集测出训练误差来衡量对未知数据预测效果好坏可以利用测试集来衡量预测值和真实值不相等的个数占测试集样本总个数的比例经过模型的预测值和真实
Allenspringfestival·2023-08-10 08:40

31.利用linprog 解决 投资问题（matlab程序）

1.简述语法：[X,FVAL]=linprog(f,a,b,Aeq,Beq,LB,UB,X0)；X为最终解，FVAL为最终解对应的函数值*注意：求最大值时，结果FVAL需要取反*f为决策函数的系数矩阵。
素馨堂·2023-08-03 02:43

【机器学习】【期末复习】有关机器学习的计算题可供期末复习参考（带本人手写解答与思考）

题目构造平衡KD树ID3与C4.5算法构建决策树模型朴素贝叶斯SVM求最大间隔分离超平面和分类决策函数EM算法K-means聚类adaboost计算概率图模型反向传播构造平衡KD树给定一个二维空间的数据集
网瘾中心呼唤爱·2023-07-30 20:48

（8）生成式模型与判别式模型

生成式模型：利用联合概率分布求条件概率分布，基于贝叶斯公式；贝叶斯模型，隐马尔可夫模型判别式模型：直接求取决策函数。条件随机场，逻辑斯特回归，最大熵模型，支持向量机，K近邻，决策树。
顽皮的石头7788121·2023-07-13 18:41

SVM简介

一、支持向量机（SVM）定义：1、线性可分支持向量机：给定线性可分的训练数据集，通过（硬）间隔最大化或者等价的求解相应的凸二次规划问题学习得到的分离超平面为：w∗x+b=0以及相应的分类决策函数：f(x
hello_gogogo·2023-06-15 06:54

异常数据检测 | Python实现支持向量机(SVM)的异常数据检测

文章目录文章概述模型描述源码分享学习小结参考资料文章概述SVM通常应用于监督式学习，但OneClassSVM算法可用于将异常检测这样的无监督式学习，它学习一个用于异常检测的决策函数其主要功能将新数据分类为与训练集相似的正常值或不相似的异常值
算法之旅·2023-06-10 20:49

第一章 统计机器学习及监督学习概论（二）

统计学习方法三要素统计学习方法都是由模型、策略和算法构成，即统计学习方法由三要素构成，可以简单地表示为：以下主要讨论监督学习中的统计学习三要素1.3.1模型在监督学习过程中，模型就是所要学习的条件概率分布或决策函数
Peter_Haoran·2023-04-16 10:44

支持向量机

4、不同的核函数与决策函数一一对应。缺点如下：1、当p>>n时，需要合理选用核函数以避免过拟合。2、由于支持向量机不直接提供概率估计，需要经过五折交叉验证计算得到，所以它较慢。
Powehi_·2023-04-14 15:24

机器学习－－基本概念要清楚～

在监督学习过程中，模型就是所要学习的条件概率分布或决策函数。模型的假设空间（hypothesisspace）包含所有可能的条件概率分布或决策函数。
城市中迷途小书童·2023-04-12 10:21

统计学习三要素： 方法=模型+策略+方法

统计学习三要素：方法=模型+策略+方法模型：本书-决策函数表示的模型为：非概率模型策略：损失函数和风险函数损失函数种类：０－１损失函数、平方损失函数、绝对损失函数、对数损失函数极大似然估计－就是经验风险最小化的例子当模型是条件概率分布
浪子回头2018·2023-04-09 19:50

keras lstm

（2）activation：激活函数，用于更新内部状态的函数（即门的决策函数）。（3）recurrent_activation：用于更新记忆细胞状态的激活函数。
以千·2023-04-07 15:28

支持向量机模型原理推导及python实现

1.基本模型定义：（硬间隔）支持向量机：假设给定线性可分训练集通过间隔最大化或者等价地求解相应的凸二次规划问题，从而学习到的分隔超平面为：以及相应的分类决策函数为以上模型即（硬间隔）支持向量机其中均为模型参数表示分离超平面的法向量
金穗卡·2023-03-30 14:48

统计学习 三要素

模型1决策函数集合2条件概率集合策略有了模型的假设空间，按照什么样的准则学习或者选择最优模型损失函数：一次预测的好坏（lossfunction）风险函数：平均意义下的模型预测的好坏损失函数10-1损失函数
云之彼端09·2023-03-25 01:29

机器学习－－基本概念要清楚～

在监督学习过程中，模型就是所要学习的条件概率分布或决策函数。模型的假设空间（hypothesisspace）包含所有可能的条件概率分布或决策函数。
suxuer·2023-03-20 20:46

生成式 判别式模型

GenerativeModel)与判别式模型(DiscrimitiveModel)是分类器常遇到的概念，它们的区别在于：（对于输入x，类别标签y）1.生成式模型估计它们的联合概率分布P(x,y)2.判别式模型估计决策函数
gyDBD·2023-03-18 18:14

生成模型和判别模型

这一模型的一般形式为决策函数：Y=f(X)或条件概率分布：P(Y|X)。2、监督学习的方法又可以分为生成方法和判别方法，所学到的模型分布称为生成模型和判别模型。
一枚小黑·2023-03-16 15:53

生成模型与判别模型

生成模型与判别模型一、决策函数Y=f(X)或者条件概率分布P(Y|X)监督学习的任务就是从数据中学习一个模型（也叫分类器），应用这一模型，对给定的输入X预测相应的输出Y。
吃肉的小馒头·2023-03-11 18:33

Caffe Loss层 - HingelossLayer

的最大化间隔分类中.对于期望输出t=+1,−1t=+1,−1和分类器分yy，预测值yy的hingeloss为：l(y)=max(0,1−t∗y)l(y)=max(0,1−t∗y)这里，yy应该是分类器决策函数的原是
AIHGF·2023-02-22 09:49

判别模型 vs 生成模型

tags:机器学习监督学习模型监督学习的任务是学习一个模型，对给定的输入预测相应的输出，这个模型的一般形式维一个决策函数或一个条件概率分布。
elephantnose·2023-02-05 01:34

机器学习--三要素

在监督学习中，模型就是所要学习的条件概率发布或决策函数。简单地理解：模型本质上就是一个函数，其作用就是实现从一个样本X到样本的标记值Y的一个映射，即g：X->Y.下面来详细地阐述什么是模型
王小白123138·2023-02-03 07:19

神经网络与深度学习第三章阅读

第三章线性模型线性模型的公式W是d维权重集合，X是d维样本集合，得到的预测结果y，，但是这个结果是一些离散标签，需要引入一个非线性的决策函数g()来预测输出目标这里主要介绍的四中不同的线性分类模型：logistic
我的昵称违规了·2023-02-01 12:34

[机器学习笔记] 判别模型与生成模型

判别模型直接从训练数据中学习条件概率分布P(Y|X)或决策函数Y=f(X)的方法为判别方法，学习到的模型是判别模型。基本思想是，有限样本条件下，建立判别函数，不考虑样本的产生模型，直接研究预测模型。
勇敢的仙人掌·2023-02-01 09:55

支持向量机SVM总结

（间隔最大便是它与感知机最大的区别，感知机的分类超平面不唯一，而SVM得到的分类器是唯一的）对于线性SVM来说，其决策超平面是：w*x+b=0，决策函数为：f(x)=sign(w8x+b)，学习策略为软间隔最大化
shuer0218·2023-01-29 21:04

生成模型（Generative）和判别模型（Discriminative）

目录1决策函数Y=f(X)或者条件概率分布P(Y|X)2生成方法和判别方法2.1生成方法2.2判别方法3特点及对比3.1生成模型3.2判别模型3.3总结4对于跟踪算法5问题常见的概率图模型中，哪些是生成式模型
意念回复·2023-01-29 11:13

《统计学习方法》学习笔记——感知机数学推导

（w=(x1,x2,x3,…)为法向量，决定了超平面的方向；b为截距，决定了超平面与原点的距离）我们把决策函数定义为：当wx+b>=0时，f(x)=+1，样本被分为正类；当wx+b=0的点来说，如果他被错误分类了
逃课去学习:)·2023-01-25 12:31

吴恩达机器学习Day4

;用线性回归算法解决分类，可能会奏效，但通常效果不佳；例如：逻辑回归：使用最广泛的分类算法；相比于线性回归,逻辑回归是一条曲线；需要引入一个重要的数学函数：sigmoid函数（逻辑函数）；决策边界：令决策函数
Tezzz·2023-01-21 21:49

吴恩达机器学习课程笔记：模型描述、假设函数、代价函数

先选一个模型，然后根据数据样本学习，不断调整优化参数得到最优参数，最终获得决策函数，之后使用该决策函
Uncertainty!!·2023-01-18 11:19
上一页 1 2 3 4 5 6 7 8 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他