prml线性模型小结
线性模型小结
线性模型,顾名思义,就是使用将特征的线性组合得到的超平面划分特征空间的方法。简单的在二维空间中,线性模型就是一条直线,而在三维空间中,线性模型就是一个平面,它们都可以将所在空间划分为两部分。当有多个超平面的时候可以将空间划分为多个区域。
怎么得到线性模型?在PRML中将主要的方法划分为三种方式
1:discriminant function即判别函数法
主要途径是得到一个判别函数,通过函数来对样本空间进行划分。
2:使用贝叶斯理论求后验概率P(Ck|X),由类条件概率和先验概率得到后验概率。generative models.
3:另一种方法也是求后验概率P(Ck|X),但是并不是使用贝叶斯理论先求条件概率和先验概率来得到。而是直接构建后验概率的模型,然后通过训练集来优化该模型的参数,可以使用最大似然等方法来解决。Logistic regression. Iterative reweighted least squares.
本章的内容也是按照这个基本的结构来划分的:
一:判别函数方法
1:least squares for classification
最小二乘分类,最小错误率
2:Fisher’s linear discriminant
Fisher线性分类:样本在投影空间中的最大可分性
3:Perceptron algorithm
感知器算法:在样本线性可分的情况下能保证收敛,并且分类超平面结果不确定,取决于初始化权值。
二:概率产生模型(probabilistic generative models)
通过贝叶斯理论将后验概率表示为先验概率和类条件概率,得到Logistic函数的形式,然后通过最大似然估计来优化Logistic函数的参数。主要讨论了样本的类条件分布概率符合高斯分布情况,两类样本可以有相同的协方差矩阵,也可有不同的协方差矩阵,主要讨论前者。然后是讨论了离散特征的处理,以及用指数族来表示其通用形式。
三:概率区分模型
在二中的处理方式是一种间接的处理方式,另一种相对应的模型就是直接构建其后验概率模型,通过最大似然估计来优化其参数。
代表性的方法就是Logistic regression。关于权值的更新介绍了Iterative reweighted least squares方法来更新权值。
probit regression:使用probit activation function来对样本进行分类。
然后简单的介绍多类别情况的Logistic regression。Canonical link function是Logistic regression的统一表示形式,跟指数族类似。
四:拉普拉斯逼近(Laplace Approximation)
前面讲的很多模型都是针对高斯分布的,当样本不符合高斯分布的时候显然就不能再使用,所以该节介绍了一种使用高斯分布逼近非高斯分布的技术:Laplace Approximation。主要分为三步:找最大点,泰勒展开,归一化。
该节的另一个重点部分是从数学角度分析了模型选择问题:分析了过拟合产生的原因以及模型选择方法BIC(Bayesian Information Criterion)方法。
五:Bayesian Logistic Regression
将拉普拉斯逼近用于Logistic regression。
转载于:https://www.cnblogs.com/macula7/archive/2009/10/16/1960593.html
prml线性模型小结相关推荐
- 广义线性模型到底是个什么鬼?
以下文章内容摘自网络:说人话的统计学 原标题:广义线性模型到底是个什么鬼? ❉说人话的统计学❉ 从逻辑回归模型开始,我们连续讲了好多集有些相似又特点各异的几种统计模型.它们有个统一的旗号,叫做「广义线 ...
- 【机器学习百科全书目录】PRML ESL MLAPP 西瓜书 花书 RLAI 统计学习方法 蒲公英书
文章目录 机器学习百科全书目录 Pattern Recognition and Machine Learning The Elements of Statistical Learning (Secon ...
- 附下载|Python带你实践机器学习圣经PRML
新智元报道 来源:Github.知乎 编辑:白峰 将 Bishop 大神的 PRML 称为机器学习圣经一点也不为过,该书系统地介绍了模式识别和机器学习领域内详细的概念与基础.书中有对概率论基础知 ...
- 线性回归之正则化线性模型
线性回归之正则化线性模型 Ridge Regression 岭回归 Lasso 回归 Elastic Net 弹性网络 Early stopping 1 Ridge Regression (岭回归,又 ...
- 预测分析:R语言实现2.8 小结
2.8 小结 在本章,我们学习了线性回归,这是一种让我们能在有监督学习环境下拟合线性模型的方法,在这种环境下,我们有一些输入特征和一个数值型的输出.简单线性回归是对只有一个输入特征的情况的命名,而多元 ...
- 今天开始学模式识别与机器学习(PRML),章节5.1,Neural Networks神经网络-前向网络。
今天开始学模式识别与机器学习Pattern Recognition and Machine Learning (PRML),章节5.1,Neural Networks神经网络-前向网络. 话说上一次写 ...
- 机器学习经典书籍小结
机器学习经典书籍小结 转载本博客请注明链接:http://blog.csdn.net/xinzhangyanxiang/article/details/9069045 博客第一篇文章[1]是转载的,也 ...
- 概率视角下的线性模型:逻辑回归有解析解吗?
©PaperWeekly 原创 · 作者 | 苏剑林 单位 | 追一科技 研究方向 | NLP.神经网络 我们知道,线性回归是比较简单的问题,它存在解析解,而它的变体逻辑回归(Logistic Reg ...
- PRML(1)--绪论(上)多项式曲线拟合、概率论
PRML绪论 1.1 多项式曲线拟合 1.1.1 问题描述 1.1.2 最小化平方和误差 1.1.3 多项式阶数确定 1.1.4 有趣问题--高阶模型为什么效果不好 1.1.4 数据集规模对模型的影响 ...
- GitHub标星6000+!Python带你实践机器学习圣经PRML
点击我爱计算机视觉标星,更快获取CVML新技术 本文转载自新智元. 新智元报道 来源:Github.知乎 编辑:白峰 [导读]PRML是模式识别和机器学习领域的经典著作,出版于2007年.该书 ...
最新文章
- 计算机巨星陨落!图灵奖得主 Edmund Clarke 因感染“新冠”逝世
- [.net 面向对象编程基础] (18) 泛型
- 【Android开发】基本组件-复选框
- 洛谷P1036选数(素数+组合数)
- hosts文件是什么?
- ElementUI:使用nav报错Invalid prop: custom validator check failed for prop “index“.
- Python网络爬虫第一弹《Python网络爬虫相关基础概念》
- 网络机顶盒固件增删预装APP步骤
- 大数据的IT分析工具
- Hibernate 、继承关联映射
- java审批工作流,值得一读!
- ABOUTCG发布特效之王 Houdini基础教程
- Python 实现端口扫描器
- NVIDIA NCCL 源码学习(五)- 路径计算
- JavaSE基础(134) 打印流
- python如何定义一个函数选择题_Python逻辑题(以下10个选择题有唯一答案,请编写自定义函数judge遍历答案列表并报告正确答案),python,道,汇报...
- sql查询in条件超过1000条解决方案
- 2020第十一届蓝桥杯国赛JAVA B组真题解析(带源码及解析)
- android 点击提示音,Android获取手机默认模式/提示音/响铃
- pandas基础操作大全之数据合并
热门文章
- python实现七种方法去除列表中的重复元素
- linux的夹子的权限,linux系统下MegaCli使用方法
- Metamask + remix:在ropsten测试链上取出已经部署的合约并进行一些操作
- FISCO BCOS 《新摩登时代》:卓别林演绎共识与同步流程优化
- java echarts 饼图_饼图 | ECharts 数据可视化实验室
- headerutf php_php header设置编码的方法
- php地图,php调用google地图
- PHP包含文件函数include、include_once、require、require_once区别和总结
- 1.4.2.PHP5.6 狐教程-环境(Mac下 PHP开发环境 配置及安装 php5.6.x nginx mysql)
- PHP 日期 加减 月数,天数,周数,小时,分,秒等等