码迷,mamicode.com
首页 >  
搜索关键字:分类器    ( 1373个结果
deep learning 利用MATLAB制作GUI的数字识别可视化界面
基于GUI的手写字识别系统...
分类:其他好文   时间:2014-11-05 13:13:47    阅读次数:366
ROC和AUC介绍以及如何计算AUC
ROC(Receiver Operating Characteristic)曲线和AUC常被用来评价一个二值分类器(binary classifier)的优劣,对两者的简单介绍见这里。这篇博文简单介绍ROC和AUC的特点,以及更为深入地,讨论如何作出ROC曲线图...
分类:其他好文   时间:2014-11-03 22:45:11    阅读次数:406
数据挖掘学习笔记:分类器(二)
人工神经网络(ANN) ANN是有相互连接的结点和有项链构成。(1)感知器。感知器的一般模型如下所示
分类:其他好文   时间:2014-11-02 22:20:17    阅读次数:140
机器学习实战笔记5(logistic回归)
1:简单概念描写叙述如果如今有一些数据点,我们用一条直线对这些点进行拟合(改线称为最佳拟合直线),这个拟合过程就称为回归。训练分类器就是为了寻找最佳拟合參数,使用的是最优化算法。基于sigmoid函数分类:logistic回归想要的函数可以接受全部的输入然后预測出类别。这个函数就是sigmoid函数...
分类:其他好文   时间:2014-11-02 16:28:04    阅读次数:263
分类模型评估与选择总结
1.评估分类器性能的度量 当建立好一个分类模型之后,就会考虑这个模型的性能或准确率如何,这里介绍几种分类器评估度量如下表: 假设在有标号的元组组成的训练集上使用分类器。P是正元组数,N是负元组数。度量公式准确率、识别率(TP+TN)/(P+N)错误率、误分类率(FP+FN)/(P+N)敏感度、真.....
分类:其他好文   时间:2014-11-01 19:02:37    阅读次数:5185
贝叶斯分裂方法总结
1.综述: 贝叶斯分类方法是统计学分类方法。它们可以预测类隶属关系的概率,如一个给定的元组属于一个特定类的概率。贝叶斯分类基于贝叶斯定理。分类算法的比较研究发现,一种称为朴素贝叶斯分类法的简单贝叶斯分类法可以与决策树和经过挑选的神经网络分类器相媲美。用于大型数据库,贝叶斯分类法也已表现出高准确率和....
分类:其他好文   时间:2014-11-01 16:02:39    阅读次数:240
分类、标注与回归
机器学习算法 原理、实践与实战 —— 分类、标注与回归1. 分类问题分类问题是监督学习的一个核心问题。在监督学习中,当输出变量$Y$取有限个离散值时,预测问题便成为分类问题。监督学习从数据中学习一个分类决策函数或分类模型,称为分类器(classifier)。分类器对新的输入进行输出的预测,这个过程称...
分类:其他好文   时间:2014-10-31 13:36:09    阅读次数:1179
SVM详解
SVM 1、支持向量机发展历史 1963年,Vapnik在解决模式识别问题时提出了支持向量方法。起决定性作用的样本为支持向量 1971年,Kimeldorf构造基于支持向量构建核空间的方法 1995年,Vapnik等人正式提出统计学习理论。       通俗来讲,SVM是一种二类分类模型,其基本模型定义为特征空间上的间隔最大的线性分类器,即支持向量机的学习策略便是间隔最大化,...
分类:其他好文   时间:2014-10-31 10:09:13    阅读次数:403
linux下TC+HTB流量控制
TC规则涉及到队列(QUEUE)分类器(CLASS)过滤器(FILTER),filter划分的标志位可用U32或iptables的set-mark来实现)一般是"控发"不控收linux下有两块网卡,一个eth1是外网,另一块eth0是内网.在eth0上做HTB。(注意:filter划分标志位可用u32打标功能或iptables的set-mark功能,如果..
分类:系统相关   时间:2014-10-30 01:57:51    阅读次数:703
数据挖掘十大经典算法(9) 朴素贝叶斯分类器 Naive Bayes
贝叶斯分类器 贝叶斯分类器的分类原理是通过某对象的先验概率,利用贝叶斯公式计算出其后验概率,即该对象属于某一类的概率,选择具有最大后验概率的类作为该对象所属的类。眼下研究较多的贝叶斯分类器主要有四种,各自是:Naive Bayes、TAN、BAN和GBN。 贝叶斯网络是一个带有概率...
分类:编程语言   时间:2014-10-28 13:47:41    阅读次数:182
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!