1. 统计学习的分类:
【接上一篇文章】
1.2:按模型分类
1.2.1:概率模型与非概率模型(确定性模型)
【关于概率模型与非概率模型,可能目前的问题就是生成与判别的意义辨析;概论里追究细则意义不大,贴一个科普级的解释了解一下,我后面会在学到具体的内容的时候加以感知。】
条件概率分布与函数是可以相互转化的;【分布最大化和归一化】
【不懂的名词越来越多,概率论的复习和预习迫在眉睫了。】
1.2.2:线性模型与非线性模型:
【没什么可说的,继续】
1.2.3:参数化模型与非参数化模型
1.3:按算法分类
1.4:按技巧分类
1.4.1:贝叶斯学习:
1.4.2:核方法:
2. 统计学习方法三要素:
2.1:模型
【这里解决了前面的一个疑问:关于假设空间为什么是全部模型的集合,因为它是一个先于模型的概念,有模型就必定在假设空间之中。】
2.2:策略
- 损失函数:
【由此,监督学习变成了经验风险和结构风险最优化的问题。】
2.3:算法
【end】
标签:1.4,10,1.2,概率模型,模型,学习,统计 来源: https://blog.csdn.net/m0_51746993/article/details/120648840
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。