最近，美国《科学》杂志刊出了一篇论文《 Clustering by fast search and find of density peaks 》（原文链接为：http://www.sciencemag.org/content/344/6191/1492.full.html），论文的主要思想有两个： 对于数据聚类，聚类中心应该位于数据密度分布高的区域，即类与类(cluster)之间应该有一个数据密度分布很低的地 ...
Minimizes augmented error, where the added regularizer effectively limits model complexity. 1. Model Selection Problem 机器学习需要太多的选择，如迭代次数，学习率的大小，损失函数，正则化参数等等。 我们的终极目标是选择能够使$E_{out}$最小的分类器，但实际上不可行。 那么，我们可以转而 ...
由于高维映射使得VC维增加，此时，若数据样本个数N有限时，就容易造成过拟合(Overfitting)。 1. What is Overfitting? Overfitting 产生的原因(老师举了驾车的例子)： 2. The Role of Noise and Data Size 当数据样本有限（甚至比较少）时，简单模型比复杂模型性能更优！ 3. D ...
这一讲主要介绍当数据线性不可分时，通过非线性映射将数据映射到高维特征空间，使得数据在高维特征空间是线性可分的，进而实现机器学习。 1. Quadratic Hypotheses 2. Nonlinear Transform The Nonlinear Transform Steps： Nonlinear Model via Nonlinear $\Phi$ + Linea ...
上一讲介绍了Logistic Regression以及其Cross-Entropy错误损失函数，另外还介绍了梯度下降算法。 这一讲主要介绍将线性模型用于分类问题，现有的线性模型有：线性分类、线性回归和Logistic回归。 1. Linear Models for Binary Classification linear scoring function: $s = w^T x$: for binary classificatio ...
上一讲讲述了线性回归问题，以及线性回归做二类分类问题。从上一讲我们看到，我们得到的是硬分类，即非彼即此，自然，如果我们想知道对其分类结果的可信度，即以多大可信，就是这一讲的Logistic Regression讲述的内容。 1. Logistic Regression Problem Target function $f(x) = P(+1|x)\in $. Same data as hard ...
上一讲我们得到 learning can happen with target distribution $P(y|x)$ and low $E_{in}$ w.r.t. error measure. 1. Linear Regression Problem linear regression hypothesis: $h(x) = w^T x$, $h(x)$: like perceptron, but without the $sign$. linear regression: find lines/hyperpla ...
在上一讲中，我们有结论： $E_{out}\approx E_{in}$ possible if $m_H(N)$ breaks somewhere and $N$ large enough. 同时，得到$m_H(N)$的界 可以得到错误界 于是，我们有如下假设，并希望得到这样的结果： 1. VC Dimension VC dimension of $H$, denoted $d_{VC}(H)$ is the largest $N$ ...
博文
视频
基金
相册
收藏
积分
会议