WTX

线性回归与逻辑回归

拟合度最好就是每个样本点到这条直线的距离和最小，转化成数学语言就是使得误差函数J(y^,y)=1/2∗(y^−y)2=1/2∗(wTx+b−y)2J(y
Nautilus_sailing·2018-02-02 22:19

SVM的一些学习心得及案例（Python代码）实现

3Blue1Browna∙b=(a1e1+a2e2)∙(b1e1+b2e2)=a1b1e1e1+a1b2e1e2+a2b1e2e1+a2b2e2e2=a1b1+a2b2=aTb对于一个超平面，其方程为wTx
Riverhope·2018-01-22 21:06

图文并茂的PCA教程

z=wTxz=w^Txz=wTx  其中，z为低维矩阵，x为高维矩阵，w为两者之间的映射关系。假如我们有二维数据（原始数据有两个特征轴——特征1和
hustqb·2017-10-30 16:48

支持向量机(SVM)简介

类似于逻辑回归，这个模型也是基于线性函数wTx+b的。不同于逻辑回归的是，支持向量机不输出概率，只输出类别。当wTx+b为正时，支持向量机预测属于正类。
fengbingchun·2017-10-24 10:29

机器学习笔记(2)线性模型的基本形式

+w3x3+wdxd+b一般用向量形式写成：f(x)=wTx+b(不理解的话可以查查线性表出)例如若在西瓜问题中学得：f好瓜(x)=0.2x色泽+0.5x根蒂+0.3x敲声+1则意味着可以通过综合考虑三种属性来判断西瓜好不好
zsdeus133·2017-10-17 10:28

周志华《机器学习》学习笔记——Logistic回归

y=wTx+b从回归到分类  需要注意的是Logistic回归实际上是一种分类模型。上面讨论了如何使用线性模型进行回归学习，但若要做的是分类任务该怎么办呢？此时只需找到一个函数将分类任务的
刘明沛·2017-10-15 21:55

超平面和法向量

超平面常见的平面概念是在三维空间中定义的：Ax+By+Cz+D=0，而d维空间中的超平面由下面的方程确定：wTx+b=0，其中,w与x都是d维列向量,x=(x1,x2,…,xd)T为平面上的点,w=(w1
lilong117194·2017-10-11 23:58

Logistic回归：成本函数

概括来讲：y^(i)=σ(wTx(i)+b),其中σ(z(i))=11+e−x(i)，其中x(i)为第i个训练样本已知(x(1),y(1)),...,(x(m),y(m))，希望y^(i)≈y(i)损失函数
鸦翎XU·2017-09-20 13:21

logistic regression 逻辑回归

+wnxn=wTx，其中，w是系数向量，x是某个样本将Sigmoid函数g(z)=11+e−z作用于y，得到的结果介于(0,1)之间，并且g(z)是单调增函数，当z=0时，g(z)=0.5令ui=g(wTxi
chi_wawa·2017-09-19 00:00

深度学习--Batch_Normlization

y=WTx+by^=y−uδy^=γy^+βz=max(0,y^)其中γ和β需要学习。bn反向传播？bn作用有哪些？
zshfeng·2017-09-13 01:13

机器学习算法-逻辑回归（LR）

找到如下的关系式：y=f(x)=wTx+w0,其中w=(w1,w2,...,wn)那么任何时候给定任何值，都可以轻而易举地得到对应的输出。
AI_BigData_WH·2017-09-09 21:02

使用TensorFlow实现简单的线性回归(LinearRegression)

+wdxd+b一般向量形式写成：f(x)=wTx+b其中的w=(w1;w2;...
Rogel_Liu·2017-09-02 15:48

tensorflow-激活函数及tf.nn.dropout

参考《Tensorflow技术解析与实战》激活函数激活函数（activationfunction）将神经元计算wTx+b的结果经过非线性表达映射到下一层。需要可微，激活函数不会改变输入数据维度。
eclipSYcn·2017-08-26 16:40

tensorflow-激活函数及tf.nn.dropout

参考《Tensorflow技术解析与实战》激活函数激活函数（activationfunction）将神经元计算wTx+b的结果经过非线性表达映射到下一层。需要可微，激活函数不会改变输入数据维度。
eclipSYcn·2017-08-26 16:40

线性回归的数学原理以及代码实现

在这篇文章中主要对线性回归作讨论：首先呈上线性模型f(x)=wTx+b【优点】每个x前面的w，也就
cyoutetsu·2017-08-22 10:26

《机器学习》读书笔记 5 第3章 线性模型

一、基本形式f(x)=w1x1+w2x2+…+wdxd+b向量形式：f(x)=wTx+b二、线性回归线性回归试图学得一个线性模型以尽可能准确地预测实数输出标记。
bush·2017-08-15 21:27

《机器学习》--周志华 （第三章学习笔记）

+wdxd+b一般用向量形式写成f(x)=wTx+b线性模型形式简单、易于建模，但却蕴涵着机器学习中一些重要的基本思想。
Cristal_yin·2017-07-30 08:06

GLM(广义线性模型) 与 LR(逻辑回归) 详解

我们线性回归的基本如下述公式，本质上是想通过观察x，然后以一个简单的线性函数h(x)来预测y：y=h(x)=wTx1.1dependentvariabley这是
爱学习的段哥哥·2017-07-21 11:05

Spark机器学习(5)：SVM算法

定义超平面为：f(x)=w0+wTx可以想象出，这样的直线可以有很多条，到底哪一条是超平面呢？规定超平面应该是距离两类的最近距离之和最大，因为只有这样才是
MSTK·2017-07-05 23:00

相关滤波、KCF、循环对角化

本文参考【目标跟踪】KCF高速跟踪详解设训练样本集（xi，yi），i=1,2….n，我们需要求出一个线性回归函数f(x)=wTx，使得对测试样本（x，y），能用f(x)估计y此时目标函数表示为：对w求偏导
kobe_huai·2017-06-27 17:03

Python机器学习应用 | 线性回归

线性回归：使用形如y=wTx+b的线性模型拟合数
JinbaoSite·2017-06-24 11:55

理解LIBSVM: A Library for Support Vector Machines

在理解该文档之前，简单梳理支持向量机（SupportVectorMachines：SVM）1.SVM基础知识1.1基础的SVM是用来处理二分类问题，分类器的目标是找到一个超平面wTx+b=0其中
chensheng312·2017-06-15 18:01

回归-线性回归

1.简介回归是指预测的输出值为连续的实值;线性是说预测函数是属性的线性组合.f(x)=wTx+b(1)线性模型(linearmodel)简单,易于建模,但却蕴含着机器学习的重要思想.由于w直观地表达了各属性在预测中的重要性
yichudu·2017-05-29 15:32

线性回归、梯度下降算法与 tensorflow

线性回归回归就是根据已知数据来预测另一个数值型数据的目标值.假设特征和结果满足线性关系：h(x)=w0+w1x1+w2x2其中w为权重.假设x0为1，则上面公式也可以写作：h(x)=∑i=0nwixi=wTx
地球原住民·2017-05-16 19:24

机器学习学习笔记（二）

个属性描述的示例x=(x1,x2,…,xd)T，其中xi是x在第i个属性上的取值，线性模型试图学习一个通过属性的线性组合来进行预测的函数，即f(x)=w1x1+w2x2+…+wdxd+b一般用向量形式写成f(x)=wTx
dinkwad·2017-05-14 15:59

PRML读书笔记——线性分类模型

如果数据集可以被线性决策⾯精确地分类（没有任何样本被错分），那么我们说这个数据集是线性可分的一般线性模型如下：y(x)=f(wTx+w0)其中，f被称为激活函数，而它的反
GZGlenn·2017-04-23 15:41

机器学习中的不平衡问题

1、修正阈值法对于模型y=wTx+b新样本的预测值y通常与阈值比较，比如y>0.5判为正例，即y1−y>1，则预测为正例利用正负样本的比例调整阈值：y1−y>m+m−则预测为正例。
howardact·2017-02-17 10:52

线性、非线性分类器&数据的线性、非线性

线性分类器的分类规则是：如果w1x1+w2x2>b，就把一个文档归类为，如果w1x1+w2x2b，就归类为一类，如果WtX
挣扎的小博·2017-02-15 10:21

神经网络：请不要开始就让我sigmoid(wTx)，谢谢！

神经网络：请不要开始就让我sigmoid(wTx)，谢谢！
prog_6103·2016-12-03 03:01

基于《机器学习》学习整理- chapter 3

+wdxd+b一般用向量形式写成f(x)=wTx+b其中w=(w1,w2,...,wd),w和b学得后，模型就得以确定。线性回归线性回归(L
a101070096·2016-11-12 09:00

机器学习中的常见问题——损失函数

mi的具体形式如下：mi=y(i)fw(x(i))y(i)∈{−1,1}fw(x(i))=wTx(i)对于损失项，主要的形式有：0-1损失Log损失Hinge损失指数损失感知损失1、0-1损失
dulingtingzi·2016-10-03 20:33

逻辑回归及其数学推导

本文只讨论二分类的情况一、逻辑回归P(Y=1|X=x)=ewTx1+ewTx=h(x)P(Y=0|X=x)=11+ewTx=1−h(x)logP(Y=1|X=x)P(Y=0|X=x)=wTx二、参数估计
cvrszeng·2016-08-27 14:33

周志华 《机器学习》之 第三章（线性模型）概念总结

首先从线性模型的基本形式入手，逐渐引入线性回归、对数几率回归、线性判别分析（LDA）、多分类学习等多种线性模型，最后针对类别不平衡问题总结了一些相关的解决思路1）线性模型的基本形式一般用向量形式写成f(x)=wTx
不系之舟913·2016-08-12 00:00

SVM-核函数

1.1SVM非线性可分-核函数在上一章节中，我们首先假设数据在原始空间上是线性可分的，在这样的前提条件下，我们知道如何求解最大间隔分类器f(x)=wTx+b=∑mi=1αiy(i)+b。
Fishmemory·2016-06-16 16:16

Lasso Regression

还是考虑《线性回归》中的一般线性回归模型y=wTx，使用最小二乘估计(OLS)可以得到，模型
Duanxx·2016-06-07 15:32

Lasso Regression

还是考虑《线性回归》中的一般线性回归模型y=wTx，使用最小二乘估计(OLS)可以得到，模型
daunxx·2016-06-07 15:00

机器学习: 最小二乘与贝叶斯估计

在线性回归中，我们最常用到的是最小二乘法，给定一组样本S={xi},i=1,2,...N和目标值t={t1,t2,...tN},我们希望找到一种映射关系y(x,w)=wTx,最小二乘法就是通过求解如下的目标函数来求
shinian1987·2016-06-03 14:00

线性分类器

线性分类器表达式：y=WTx+w0=w1x1+…+wnxn+w0=w′Tx′W=⎛⎝⎜⎜⎜w1w2…wn⎞⎠⎟⎟⎟x=⎛⎝⎜⎜⎜x1x2…xn⎞⎠⎟⎟⎟W′=⎛⎝⎜⎜⎜⎜⎜⎜w0w1w2…wn⎞⎠⎟⎟⎟
u012235274·2016-05-07 13:00

UFLDL 笔记 01 神经网络

其输出为hW,b=f(Wtx)=f(∑3i=1Wixi+b)其中激活函数一般可以选为sigmoid函数或者双曲正切tanh函数，当选用sigmoid
bea_tree·2016-04-17 19:33

UFLDL 笔记 01 神经网络

其输出为hW,b=f(Wtx)=f(∑3i=1Wixi+b)其中激活函数一般可以选为sigmoid函数或者双曲正切tanh函数，当选用sigmoid
bea_tree·2016-04-17 19:00

机器学习之回归模型

基本形式线性模型(linearmodel)就是试图通过属性的线性组合来进行预测的函数，基本形式如下：f(x)=wTx+b许多非线性模型可在线性模型的基础上通过引入层结构或者高维映射（比如核方法）来解决。
zackzhaoyang·2016-04-05 19:00

机器学习中的常见问题——损失函数

mi的具体形式如下：mi=y(i)fw(x(i))y(i)∈{−1,1}fw(x(i))=wTx(i)对于损失项，主要的形式有：0-1损失Log损失Hinge损失指数损失感知损失1、0-1损失函数在分类问题中
zhiyong_will·2016-03-31 15:55

机器学习中的常见问题——损失函数

mi的具体形式如下：mi=y(i)fw(x(i))y(i)∈{−1,1}fw(x(i))=wTx(i)对于损失项，主要的形式有：0-1损失Log损失Hinge损失指数损失感知损失1、0-1损失函数在分类问题中
google19890102·2016-03-31 15:00

SVM-3-最优间隔分类器

jerrylead在第一篇（SVM-1-问题描述）中我们得到了下面的优化问题：minδ,w,b 12||w||2s.t. yi(wTxi+b)≥1, i=1,...,m把约束条件写成下面的形式:gi(w)=−yi(wTx
yzheately·2016-03-20 17:00

SVM-1-问题描述

参考http://www.cnblogs.com/jerryleadSVM（支持向量机）其本质就是求解一个平面g(x)=wTx+b（二维是直线，三维是平面，再高点维度就叫超平面）将样本划分为两类（正负样本
yzheately·2016-03-18 14:00

统计学习方法第二章笔记——感知机

2.1感知机模型感知器就是一个二类分类的线性分类模型，输入空间是实数特征向量，输出参数是{-1,+1}的二元结果集，从输入空间到输出空间的函数如下：f(x)=sign(wTx+b)sign是符号函数，如果输入为正返回
八月夏凉·2016-01-26 20:34

统计学习方法第二章笔记——感知机

2.1感知机模型感知器就是一个二类分类的线性分类模型，输入空间是实数特征向量，输出参数是{-1,+1}的二元结果集，从输入空间到输出空间的函数如下：f(x)=sign(wTx+b)sign是符号函数，如果输入为正返回
u010366427·2016-01-26 20:00

台大机器学习笔记(2)——Learning to Answer Yes/No

该模型可变型为加权和减阈值取符号，若正判正例否则判负例，将阈值的负数作为0维权重，1作为0维特征分量，模型可写成h(x)=sign(wTx)。该函数的几何意义是n维空间上的超平面。
u010366427·2016-01-25 22:00

机器学习基石HOW部分(2)

gradientdescentoncross-entropyerrortogetgoodlogistichypothesis从方程的形式、误差的衡量方式、如何最小化Ein的角度出发之前提过的二元分类器如PLA，其目标函数为，f(x)=sign(wTx
往最优秀方向·2015-12-18 10:26

Logistic回归

对于多维的数据，设特征为xi，设函数h(θ)=θ+θ1x1+θ2x2+....θnxn为拟合的线性函数，其实就是内积，实际上就是y=wTx+b 那么如何确定这些θ参数（parament）才能保证拟合比较好呢
·2015-11-11 00:33
上一页 1 2 3 4 5 6 7 8 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他