LiHang-TongJiXueXiFangFa

Introduction
第2章感知机 - 原始形式
第2章感知机 - 对偶形式
第3章 k近邻算法
第4章朴素贝叶斯
- 模型公式的推导
- 策略公式的推导
- 最大似然估计算法过程
- 贝叶斯估计算法过程
第5章决策树
- 决策树的模型
- 信息增益的算法
- ID3决策树的生成算法
- C4.5决策树的生成算法
- 决策树的剪枝算法
第5章 CART决策树
- CART树的生成
- CART树的剪枝
第6章逻辑回归
- 二分类逻辑回归模型
- 多分类逻辑回归模型
第6章最大熵模型
- 最大熵的原理
- 最大熵模型的定义
- 最大熵的学习过程
- 根据最大熵的学习过程推导最大熵模型
- 证明：对偶函数的极大化=模型的极大似然估计
第6章目标函数最优化问题
第7章支持向量机
- 函数间隔与几何间隔
第7章线性可分SVM
- 凸二次规划问题推导
- 支持向量
- 凸二次规划问题求解
- 原始问题转换为对偶最优化问题
第7章线性SVM
第7章非线性SVM
第7章序列最小最优化算法
第8章 adaboost
- 算法过程
- 训练误差分析
- 加法模型
- 前向分步算法
- adaboost一种特殊的加法模型
第8章提升树
- 回归问题提升树的推导
- 回归问题提升树前向分步算法
- 一般决策问题梯度提升算法
第9章 EM算法
第10章隐马尔可夫模型
第11章条件随机场
- 概率无向图模型
遗留问题

Powered by GitBook

On this page

第7章支持向量机

Previous拟牛顿法 Next函数间隔与几何间隔

Last updated 5 years ago

Was this helpful?

CtrlK

支持向量机
模型
策略
算法
支持向量机与感知机的区别

Was this helpful?

支持向量机

模型

二分类模型：定义在特征空间上的间隔最大的线性可分模型核技巧：成为实质上的非线性分类器

线性可分SVM 线性SVM 非线性SVM

策略

间隔最大化凸二次规划问题正则化的合面损失函数的最小化问题

算法

求解凸二次规划的最优化算法

支持向量机与感知机的区别

感知机策略：误分类最小支持向量机策略：间隔最大