|
1.1
模型:
伯努利模型:取值为0与1的概率分布
策略:
极大似然估计:认为模型是固定的,只是我们没有找到参数,我们用经验风险最小值去估计参数
贝叶斯估计:对观察到的现象进行总结,取参数的后验分布计算期望
算法:
定义A 为取值为0或1的随机变量,并设A=1的概率是θ,即:
P(A=1)=θ,P(A=0)=1−θ
极大似然估计的过程如下
贝叶斯估计的过程如下
当a=b=1,也就是均匀分布时,我们可以得到与极大似然估计同样的结果
1.2
2.1
本章内容为感知机,为了方便计算,我写出了在两个特征值学习率取1的条件下的感知机的python代码,第1题与第2题都可以利用这个代码进行解答,代码如下
print("input the number of point")
zd=int(input())
d=[]
for i in range(zd):
print("input No"+str(i+1)+"of point's x1 and x2 and y")
d.append(list(map(float,input().split())))
x=0
y=0
b=0
sign=1
while sign==1:
sign=0
for i in range(zd):
if (d[i][0]*x+d[i][1]*y+b)*d[i][2]<=0:
sign=1
x=x+d[i][0]*d[i][2]
y=y+d[i][1]*d[i][2]
b=b+d[i][2]
print("("+str(x)+")x1+("+str(y)+")x2+("+str(b)+")")
break
print("result: ("+str(x)+")x1+("+str(y)+")x2+("+str(b)+")")
输入:实例点个数N,每个实例点的值x1,x2,y
输出:每个步骤迭代得出的模型以及最终模型
示例输入(例2.1数据):
示例输出:
在2.1中,异或可表示为0 0 1,1 1 1,0 1 -1,1 0 -1也就是特征值相同输出1不同输出-1,在平面上我们找不出一个超平面将两类分开,代入进代码验证发现输出出现了死循环,验证出不能得出结果的事实
输出如下:
每四次迭代出现循环:
2.2
使用数据(1,1)(1,2)为负实例点,(2,1)(2,2)为正实例点,学习率取1,得出结果如下:
几何表示:
2.3
必要性:
充分性:若相交并存在超平面将两个凸包分开,我们假设凸包A在B中的点为a,A不在B中中存在点b,那么超平面将a分为B内,b分为A内,这样连线两点将必然与超平面相交,但如果超平面分离了两个凸包,连线不可能与超平面相交,与已知条件矛盾,所以不存在这种情况,利用反证法得出充分性。
Archiver|手机版|科学网 ( 京ICP备07017567号-12 )
GMT+8, 2024-6-1 15:29
Powered by ScienceNet.cn
Copyright © 2007- 中国科学报社