样本空间

概率论与数理统计(不间断、持续更新|20.6.14）

–@TOC一、概率的基本概念1.随机试验随机试验的特点：1.可以在相同的条件下重复地进行2.每次试验的可能结果不止一个，并且能事先明确试验的所有可能结果3.进行一次试验之前不能确定哪一个结果会出现2.样本空间
瓦砾·2020-08-04 06:44

离散概率初步 一、全概率公式

直观的理解就是将样本空间不遗漏不重复划分成可能事件B1、B2、B3……Bn，那么事件A在样本空间内可能发生的概率就等于
High_EnergyElectron·2020-08-03 21:25

SVM（三）：非线性支持向量机

3.非线性SVM3.1问题定义3.2核函数3.1问题定义现实任务中，训练样本经常不是线性可分的，即原始样本空间中并不存在一个能正确划分两类样本的超平面。
机器学习Zero·2020-08-03 15:45

SVM（一）：线性支持向量机

1.线性支持向量机1.1问题定义（1）划分超平面（2）点到超平面的距离（3）支持向量、间隔（4）最优超平面1.2对偶问题1.3问题求解1.1问题定义（1）划分超平面二维样本空间中，划分平面可以表示为：w1x1
机器学习Zero·2020-08-03 10:24

《数学建模算法与应用》——学习笔记chapter12. 回归分析

1.数据表的基础知识1.1样本空间样本点×变量类型的数据表：m个样本采样n次得到的数据
zwszws111·2020-08-03 09:06

支持向量机（SVM）—— 软间隔与正则化

转自西瓜书《机器学习》在前面的讨论中，我们一直假设训练样本在样本空间或特征空间食线性可分的，即存在一个超平面能将不同类的样本完全划分开。
Mosay_dhu·2020-08-03 07:16

机器学习--LR逻辑回归实现

1.梯度上升求解最优值训练集D样本{yi;xi}其中yi取值为0或1xi=(xi1,xi2....xin)梯度上升递推式：利用矩阵运算，同时对于参数进行变更，即对样本空间进行并行计算。
暗夜猎手-大魔王·2020-08-03 05:13

统计学（未完待续）

样本空间在进行某个试验时可能得到的所有结果的集合。事件样本空间的一部分（样本空间的部分集合）注意，在中国有一种用3个骰子玩儿的游戏，被称为“猜大小”，是一种预测出现的数字是大还是小的赌博游戏。
romanticstxj·2020-08-03 04:33

SVM支持向量机与sklearn支持向量机分类

划分超平面：能将训练集在样本空间中将不同类的样本划分开的超平面，划分超平面可以用wTx+b=0表示，w为法向量，b为超平面相对于原点的位移项
望百川归海·2020-08-03 03:17

支持向量机SVM

本文参考周志华《机器学习》以及吴恩达网易公开课《机器学习》问题描述给定训练样本训练集D={(x1,y1),(x2,y2),...,(xm,ym)}，yi∈{-1,+1}，分类学习最基本的想法就是基于训练集D在样本空间中找到一个划分超平面
Timmy_Y·2020-08-03 02:44

支持向量机SVM算法推导及实现

在样本空间中，划分超平面可以通过如下线性方程
flushest·2020-08-03 00:00

深入浅出SVM（支持向量机）

对原论文感兴趣的读者可下载此论文Support-VectorNetwork简介分类学习的最基本思想就是基于给定的训练集DDD，在样本空间中寻找一个划分超平面，将不同类别的样本分开。
lost-person·2020-08-02 23:02

支持向量机简述

支持向量机是一种二分类模型，它的基本思想就是基于训练集D在样本空间中找到一个划分超平面，将不同类别的样本分开。
banhan9359·2020-08-02 23:14

支持向量机SVM原理及推导

本周内容总结1.间隔与支持向量分类学习的基本思想：基于训练集在样本空间找到一个划分超平面，将不同类别的样本划分开。
Rachel_nana·2020-08-02 22:50

SVM支持向量机 学习笔记

分类学习的基本思想是在训练集D所在的样本空间找到一个划分超平面，将不同类别的样本划分开。
没有热情得活着不如死去·2020-08-02 22:21

机器学习随笔6--支持向量机

目录摘要目录一、支持向量机简介二、支持向量机的原理2.1二维的样本空间2.2高维的样本空间2.3对偶问题三、SMO算法四、核函数五、测试5.1线性可分数据5.2非线性可分数据六、小结七、参考文献八、附录一
量子编程永无bug·2020-08-02 21:58

支持向量机(SVM) SMO算法详解

1.寻找最大间隔训练样本集：D={(x1,y1),(x2,y2),...,(xm,ym)},yiϵ{-1,+1}划分超平面的线性方程：wTx+b=0（1）样本空间中任一点x到超平面(w,b)的距离为：（
公子小K·2020-08-02 21:58

机器学习-核函数（核模型）

它基于结构风险最小化理论之上在特征空间中构建最优超平面，使得学习器得到全局最优化，并且在整个样本空间的期望以某个概率满足一定上界。假设X是输入空间，H是特征空间，存在一个映射ϕ使得X
godli_one·2020-08-02 20:44

SMO算法的极简数学推导

1.支持向量机SVM对于需要划分类别的n维样本空间中，需要划一条n-1维的超平面（3维及以上）来划分样本类别。
一江明澈的水·2020-08-02 20:58

pb 获取两个数之间的随机数

---------------------------------------*///功能,获取两个数之间的随机数//返回值的精确度为两个数中最大精确度//为了使RAND是产生伪随机序列更随即，适当把样本空间放大
itwenping·2020-08-02 18:19

数学建模之回归分析

数学建模之回归分析应用场景1.建立回归模型1.1筛选变量1.1.1确定样本空间1.1.2对数据进行标准化处理1.1.3变量筛选1.1.4调整复判定系数1.2最小二乘估计2.回归模型假设检验3.回归参数假设检验和区间估计
鱼板: RE·2020-08-02 14:31

--概率论部分总结--

样本空间&样本点：某个随机试验的所有可能结果组成的集合，每个结果称之为样本点随机事件：样本空间的子集，简称事件，当且仅当子集中的一个样本点出现，称为事件发生基本事件：由一个样本点组成的单点集频率：进行了
Sevan_Li·2020-08-02 13:25

概率论与数理统计第一章 随机事件与概率 学习总结

一、随机事件与样本空间（1）随机试
二十七º·2020-08-02 12:52

Python计算机视觉编程第八章——图像内容分类

Python计算机视觉编程（一）K邻近分类法(KNN)（二）贝叶斯分类器（三）支持向量机（一）K邻近分类法(KNN)基本思想:把待分类文本表示成文本向量，与训练样本组成的样本空间中的向量计算相似度，得到
Dujing2019·2020-08-02 12:05

局部保留投影(LPP)推导

所谓流形，是指高维样本空间中呈现的一种低维的局部性的结构。
qq_18343569·2020-08-01 14:37

机器学习——朴素贝叶斯算法

朴素贝叶斯算法的一个非常重要的基本假设就是独立性假设：若样本空间X是n维的，那么对，我们假设是有随机变量生成的、且之间在各种意义下相互独立。
金陵笑笑生·2020-08-01 10:06

概率论数理统计笔记01（对应教材——《概率论与数理统计》（同济大学出版社出版））

概率论数理统计随机变量及其分布随机变量的概念定义：在随机试验E中，Ω是相应的样本空间，如果对样本空间中每一个样本点ω，有唯一的一个实数X与之对应，那么就把定义域为Ω的单值实值函数X=X(ω)称为随机变量
ChrisHinton·2020-08-01 10:30

概率论与数理统计（一）

笔记总目录文章目录第一章随机事件及概率1、随机试验2、样本空间、随机事件样本空间随机事件事件间的关系与事件的运算3、频率与概率频率概率概率的性质：4、等可能概型（古典概型）5、条件概率条件概率乘法定理全概率公式和贝叶斯公式
star-air·2020-08-01 09:53

python_sklearn机器学习算法系列之SVM支持向量机算法

这一函数库的基本操作和使用，注意不是用python纯粹从头到尾自己构建svm，既然sklearn提供了现成的我们直接拿来用就可以了，当然其原理十分重要，这里做简单介绍：SVM方法是通过一个非线性映射p，把样本空间映射到一个高维乃至无穷维的特征空间中
weixin_42001089·2020-08-01 09:11

KPCA核主成分分析法C++程序测试

传统的PCA可以从线性可分的特征中提取主要特征，但是线性不可分部分的信息直接被抛弃了，但其实有很多信息虽然在样本空间是线性不可分的，但是映射到高维的核空间之后是线性可分的，这部分信息在分类识别的时候也是非常重要的
叶落西湘·2020-08-01 02:38

核PCA——从理论到实现

核PCA——从理论到实现1.PCA方法：设X=[x1,x2,…xN],x∈Rd，为d维样本空间的N个向量h=i。
断腿小胖子·2020-08-01 01:13

西瓜书 第6章 支持向量机 读书笔记

,b)存在多个划分超平面将两类训练样本分开目标：粗线体那个划分超平面所产生的分类结果是最鲁棒的，对未见示例的泛化能力最强线性方程其中w为法向量，决定超平面的方向，b为位移项，决定超平面与原点之间的距离样本空间中任意点到超平面的距离
Gaia0321·2020-07-29 15:50

The Representer Theorem, 表示定理.

KernelMethods(6)TheRepresenterTheoremTheRepresenterTheorem,表示定理.给定:非空样本空间:χχmm个样本:{(x1,y1),…,(xm,ym)}
幸运六叶草·2020-07-29 15:29

第六章 支持向量机

第六章支持向量机分类学习最基本的想法就是基于训练集D在样本空间中找到一个划分超平面、将不同类别的样本分开。"支持向量"：距离超平面最近的训练样本点使下联式的等号成立。"
July_Wander·2020-07-29 09:27

Spectural Clustering

SpectralClusteringSpectralClustering（谱聚类）是一种基于图论的聚类方法，它能够识别任意形状的样本空间且收敛于全局最有解，其基本思想是利用样本数据的相似矩阵进行特征分解后得到的特征向量进行聚类
zhoutongchi·2020-07-29 03:05

事件概率

事件概率四步法找到样本空间。
yycdaizi·2020-07-29 02:06

理解贝叶斯定理

1.样本空间回顾一下，样本空间是一个实验
weixin_33744141·2020-07-28 17:18

漫步数理统计九——离散随机变量

样本空间C由像TTHTHHT⋯这样的序列组成，令随机变
会敲键盘的猩猩·2020-07-28 13:46

过拟合overfitting

导致过拟合的原因（包括但不限于如下几个）：训练样本过少，不足以对整个样本空间进行分布估计;对模型进行过度训练（overtraining）避免过拟合的方法：earlystoppin
渣渣奇·2020-07-28 11:40

Chapter08-01 贝叶斯定理 Note

全概率公式LawofTotalProbability样本空间的划分：全概率公式：贝叶斯公式BayesTheorem离散型：例子：解：A坛有100个球，B坛有100个球，Π(A)=Π(B)=0.5连续型:
royce_feng·2020-07-28 10:27

概率论与数理统计(二)

m@[toc]第二章随机变量及其概率分布1、随机变量定义：设随机试验的样本空间为S={e},X=X{e}是定义在样本空间S上的实值单值函数.称X=X{e}为随机变量常用ξ,η,ζ\xi,\eta,\zetaξ
star-air·2020-07-28 08:13

样本空间与事件

包含所有结果的集合称为样本空间(仍硬币的正面和反面)，其中元素正面、反面称为基本结果或样本点。样本空间又分为：有限的样本空间、无限的样本空间事件是样本空间的子集。
庵下桃花仙·2020-07-28 07:30

朴素贝叶斯算法过滤垃圾邮件

基础知识条件概率在A发生的条件下B发生的概率记为P(B|A),P(B|A)=P(AB)P(A)全概率公式若B1,B2...Bn为样本空间E的一个划分，则P(A)=P(A|B1)P(B1)+P(A|B2)
penghui_tan·2020-07-28 04:51

周志华《机器学习》课后习题解答系列（二）：Ch1 - 绪论

数据集、样本、特征（属性）、特征空间（属性空间、样本空间、输入空间）、特征向量、维数；学习（训练）、训练数据、训练样本、假设、预测、标记、样例、标记空间（输出空间）、测试、测试样本；分类、回归、聚类、簇
Snoopy_Yuan·2020-07-27 17:20

概率论与数理统计（第四版） 第二章：随机变量及其分布（第一节和第二节笔记）

1、随机变量（1）定义①随机变量是一个实值单值函数，X=X(e)，定义域为样本空间S。②一个随机变量的值与样本空间的样本点集合（随机试验的不同结果）对应。
LUFEIYUELUFEIYUE·2020-07-27 16:30

为什么样本方差要除以n-1

  这学期在外交换选的大部分是统计学院的课，前几天在课上教授偶然提到了样本方差与样本空间的方差v(x)=1n∑i=1n(xi−xˉ)2v(x)=\frac{1}{n}\sum_{i=1}^n(x_i-\
Daniel9928·2020-07-27 16:57

第一章 绪论

第一个示例X1={xi1,xi2,…,xid}是d维样本空间X重的一个向量，Xij是Xi在第j个属性上的取值，例如第三个西瓜在第一个属性上的取值为青绿。
苏格拉没有底q·2020-07-27 14:18

计算智能——K-means聚类算法C语言代码

1.K-Means原理上图a表示最初的对象点的样本，在图b中我们首先假定k=2，即在样本空间区域随机选取两个坐标点，然后通过计算每个点与两个之间的距离大小分为两个类别，如图c所示，接着在每一组对象点当中
qq_42678341·2020-07-27 12:23

SVM学习（一）SVM模型训练与分类

SVM模型训练与分类支持向量机（SVM）：一个能够将不同类样本在样本空间分隔的超平面。换句话说，给定一些标记好的训练本（监督式学习），SVM算法输出一个最优化的超分隔平面。
隋遥·2020-07-27 11:33

机器学习（2）

一、基本术语1.18泛化：学得模型是否适用于新样本的能力注：假设样本空间的全体样本服从于一个未知的分布D，我们得到的样本都是独立从D上采样得到的，即“独立同分布”。
__0012578·2020-07-20 21:00
上一页 8 9 10 11 12 13 14 15 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他