统计学习(李航)笔记(编辑中)

2023-11-07 20:40

本文主要是介绍统计学习(李航)笔记(编辑中),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

统计学习笔记

  • 1 工具
    • 1.1 EM算法
    • 1.2 KKT条件
    • 1.3 奇异矩阵SVD
    • 1.4 马尔科夫链MCMC
  • 2 有监督学习
    • 2.1 感知机(二分类)
    • 2.2 KNN近邻(分类)
    • 2.3 朴素贝叶斯
    • 2.4 决策树
    • 2.5 提升Boosting
    • 2.6 逻辑回归
    • 2.7 支持向量机
    • 2.8 HMM蒙特卡洛马尔可夫
  • 3 无监督学习
    • 3.1 聚类
    • 3.2 主成分PCA
    • 3.3 潜在语义分析
    • 3.4 PageRank

1 工具

1.1 EM算法

em算法是通过求期望最大的算法。通过样本来推测参数(迭代直至收敛),k-means是em的一种特殊情况。
输入:观测变量数据Y,隐变量数据Z,联合分布P(Y,Z| θ \theta θ),条件分布P(Z|Y, θ \theta θ)
输出 θ \theta θ 参数

  1. 选择 θ ( 0 ) \theta^{(0)} θ(0) 初值。
  2. E步(求期望Z|Y): Q ( θ , θ ( i ) ) = E Z [ l o g P ( Y , Z ; θ ) ∣ Y ; , θ ( i ) ] = ∑ z P ( Z ∣ Y ; , θ ( i ) ) l o g P ( Y , Z ; θ ) Q(\theta,\theta^{(i)})=E_Z[logP(Y,Z;\theta)|Y;,\theta^{(i)}]=\sum_zP(Z|Y;,\theta^{(i)})logP(Y,Z;\theta) Q(θ,θ(i))=EZ[logP(Y,Z;θ)Y;,θ(i)]=zP(ZY;,θ(i))logP(Y,Z;θ)
  3. M步(求最大期望时的 θ \theta θ): θ ( i + 1 ) = a r g m a x Q ( θ , θ ( i ) ) \theta^{(i+1)}=argmaxQ(\theta,\theta^{(i)}) θ(i+1)=argmaxQ(θ,θ(i))
  4. 重复23直至收敛

EM算法具有单调性和收敛性。

1.2 KKT条件

KKT是最优化求解的一个工具。

  1. min f(x)只需要求导可解。
  2. min f(x), st. h(x)=0, 使用拉格朗日乘子法可解。
  3. min f(x), st. C i ( x ) ⩽ 0 , h j ( x ) = 0 C_i(x)\leqslant 0,h_j(x)=0 Ci(x)0,hj(x)=0,KKT可解。

KKT条件使用广义拉格朗日求解如下:
在这里插入图片描述
此时若要求解上述优化问题,必须满足下述条件(也是我们的求解条件):
在这里插入图片描述
这些求解条件就是KKT条件。(1)是对拉格朗日函数取极值时候带来的一个必要条件,(2)是拉格朗日系数约束(同等式情况),(3)是不等式约束情况,(4)是互补松弛条件,(5)、(6)是原约束条件。

1.3 奇异矩阵SVD

A = U ∑ V T A = U \sum V^T A=UVT

1.4 马尔科夫链MCMC

已知分布(复杂),生成相应的随机样本序列。
输入:目标分布密度函数
输出:符合分布的随机样本x…

2 有监督学习

2.1 感知机(二分类)

f ( x ) = s i g n ( w T x + b ) f(x)=sign(w^Tx+b) f(x)=sign(wTx+b)
损失函数为 − ∑ i ∈ M y i ( w T x + b ) -\sum_{i\in M} y_i(w^Tx+b) iMyi(wTx+b) 分类错误的点到超平面的距离。
优化策略为求损失函数最小时候的w和b,分别求导梯度下降:
在这里插入图片描述
算法:

  • 输入: ( x 1 , y 1 ) , ( x 2 , y 2 ) . . . . . . . {(x_1,y_1),(x_2,y_2).......} (x1,y1),(x2,y2).......,x是n维向量,y为分类变量
  • 输出:w,b
    1.初始选择w,b
    2.加入训练数据
    3.梯度下降
    4.重复23步骤,直至分类正确。

2.2 KNN近邻(分类)

2.3 朴素贝叶斯

2.4 决策树

2.5 提升Boosting

2.6 逻辑回归

2.7 支持向量机

2.8 HMM蒙特卡洛马尔可夫

3 无监督学习

3.1 聚类

  • 度量距离的方法:闵氏距离( ( ∑ ( x i − x j ) p ) 1 / p (\sum(x_i-x_j)^p)^{1/p} (xixjp)1/p)、欧氏距离(p=2)、相关系数、余弦相似度
  • 类别G、距离T: x i , x j ∈ G → d x i x j < T x_i,x_j \in G \rightarrow d_{x_ix_j}<T xi,xjGdxixj<T
  • 层次聚类:聚合(n个类聚)、分裂(1个类分)
    例:1、首先计算距离矩阵。2、合并距离最小的两个类组成新的类。3、重新计算距离矩阵。4、重复23步骤。
  • k-means聚类
    例:1、随机选取k个质心。2、计算距离,归类。3、重新计算质心。4、重复23直至收敛。

3.2 主成分PCA

奇异值分解

3.3 潜在语义分析

给定一个文本,用向量空间内积度量文本之间的’语义相似度‘。
矩阵乘法X=T*Y

  • X单词文本矩阵(m单词*n文本):无法处理一词多义
  • T话题矩阵(m单词*k话题)
  • Y话题文本矩阵(k话题*n文本):文本在话题向量空间的权重

3.4 PageRank

定义:网页经济和的函数表示网页的重要程度。值越高,网页越重要,从质和量两方面衡量。
质:被越重要的网站链接引用。
量:被引用的多。

这篇关于统计学习(李航)笔记(编辑中)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/366179

相关文章

HarmonyOS学习(七)——UI(五)常用布局总结

自适应布局 1.1、线性布局(LinearLayout) 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列,Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距,达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式,且在各类尺寸屏幕上表现一致,其中交叉轴为垂直时,取值为Vert

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画(下)

【课程链接】 AntV G6:深入图形与图形分组、自定义节点、节点动画(下)_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中,应该怎样去计算和绘制图形,如何给一个图形制作不间断的动画,以及在鼠标事件之后产生动画。(有点难,需要好好理解) <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06

学习hash总结

2014/1/29/   最近刚开始学hash,名字很陌生,但是hash的思想却很熟悉,以前早就做过此类的题,但是不知道这就是hash思想而已,说白了hash就是一个映射,往往灵活利用数组的下标来实现算法,hash的作用:1、判重;2、统计次数;

hdu1496(用hash思想统计数目)

作为一个刚学hash的孩子,感觉这道题目很不错,灵活的运用的数组的下标。 解题步骤:如果用常规方法解,那么时间复杂度为O(n^4),肯定会超时,然后参考了网上的解题方法,将等式分成两个部分,a*x1^2+b*x2^2和c*x3^2+d*x4^2, 各自作为数组的下标,如果两部分相加为0,则满足等式; 代码如下: #include<iostream>#include<algorithm

零基础学习Redis(10) -- zset类型命令使用

zset是有序集合,内部除了存储元素外,还会存储一个score,存储在zset中的元素会按照score的大小升序排列,不同元素的score可以重复,score相同的元素会按照元素的字典序排列。 1. zset常用命令 1.1 zadd  zadd key [NX | XX] [GT | LT]   [CH] [INCR] score member [score member ...]

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学

系统架构师考试学习笔记第三篇——架构设计高级知识(20)通信系统架构设计理论与实践

本章知识考点:         第20课时主要学习通信系统架构设计的理论和工作中的实践。根据新版考试大纲,本课时知识点会涉及案例分析题(25分),而在历年考试中,案例题对该部分内容的考查并不多,虽在综合知识选择题目中经常考查,但分值也不高。本课时内容侧重于对知识点的记忆和理解,按照以往的出题规律,通信系统架构设计基础知识点多来源于教材内的基础网络设备、网络架构和教材外最新时事热点技术。本课时知识

线性代数|机器学习-P36在图中找聚类

文章目录 1. 常见图结构2. 谱聚类 感觉后面几节课的内容跨越太大,需要补充太多的知识点,教授讲得内容跨越较大,一般一节课的内容是书本上的一章节内容,所以看视频比较吃力,需要先预习课本内容后才能够很好的理解教授讲解的知识点。 1. 常见图结构 假设我们有如下图结构: Adjacency Matrix:行和列表示的是节点的位置,A[i,j]表示的第 i 个节点和第 j 个