红色石头的个人博客林轩田机器学习技法课程学习笔记7 — Blending and Bagging
25红色石头 发布于 2018-07-28
本节课主要介绍了blending和bagging的方法，它们都属于aggregation，即将不同的gt合并起来，利用集体的智慧得到更加优化的G(t)。Blending通常分为三种情况：Uniform Blending，Linear Blending和Any Blending。其...
阅读(8241)评论(0)赞 (7)
林轩田机器学习技法 第2页
林轩田机器学习技法课程学习笔记6 — Support Vector Regression
25红色石头 发布于 2018-07-25
本节课主要介绍了SVR，我们先通过representer theorem理论，将ridge regression转化为kernel的形式，即kernel ridge regression，并推导了SVR的解。但是得到的解是dense的，大部分为非零值。所以，我们定义新的tube ...
阅读(8268)评论(0)赞 (4)
林轩田机器学习技法课程学习笔记5 — Kernel Logistic Regression
20红色石头 发布于 2018-07-25
本节课主要介绍了Kernel Logistic Regression。首先把Soft-Margin SVM解释成Regularized Model，建立二者之间的联系，其实Soft-Margin SVM就是一个L2-regularization，对应着hinge error me...
阅读(7972)评论(0)赞 (2)
林轩田机器学习技法课程学习笔记4 — Soft-Margin Support Vector Machine
19红色石头 发布于 2018-07-25
本节课主要介绍了Soft-Margin SVM。我们的出发点是与Hard-Margin SVM不同，不一定要将所有的样本点都完全分开，允许有分类错误的点，而使margin比较宽。然后，我们根据之前介绍的Dual SVM，推导出了Soft-Margin SVM的QP形式。接着介绍了...
阅读(9073)评论(1)赞 (4)
林轩田机器学习技法课程学习笔记3 — Kernel Support Vector Machine
23红色石头 发布于 2018-07-25
本节课主要介绍了Kernel Support Vector Machine。首先，我们将特征转换和计算内积的操作合并到一起，消除了矩阵内积复杂的影响，提高了计算速度。然后，分别推导了Polynomial Kernel和Gaussian Kernel，并列举了各自的优缺点并做了比较...
阅读(8684)评论(0)赞 (3)
林轩田机器学习技法课程学习笔记2 — Dual Support Vector Machine
23红色石头 发布于 2018-07-25
本节课主要介绍了SVM的另一种形式：Dual SVM。Dual SVM的推导过程是通过引入拉格朗日因子，将SVM转化为新的非条件形式；然后，利用QP，得到最佳解的拉格朗日因子；再通过KKT条件，计算得到对应的w和b。最终求得fattest hyperplane。...
阅读(10438)评论(0)赞 (4)
轩田机器学习技法课程学习笔记1 — Linear Support Vector Machine
22红色石头 发布于 2018-07-25
本节课主要介绍了线性支持向量机（Linear Support Vector Machine）。我们先从视觉角度出发，希望得到一个比较“胖”的分类面，即满足所有的点距离分类面都尽可能远。然后，我们通过一步步推导和简化，最终把这个问题转换为标准的二次规划（QP）问题。二次规划问题可以...
阅读(16036)评论(0)赞 (18)
