機器學習模型求解_第1頁
機器學習模型求解_第2頁
機器學習模型求解_第3頁
機器學習模型求解_第4頁
機器學習模型求解_第5頁
已閱讀5頁，還剩6頁未讀， 繼續(xù)免費閱讀

下載本文檔

版權說明：本文檔由用戶提供并上傳，收益歸屬內(nèi)容提供方，若內(nèi)容存在侵權，請進行舉報或認領

文檔簡介

機器學習的重要問題機器學習模型求解導語函數(shù)形式模型的參數(shù)求解概率形式模型的參數(shù)求解導語/01導語機器學習的模型通常有函數(shù)和概率兩種表示形式。函數(shù)形式需要獲得函數(shù)關系；概率形式則需要獲得聯(lián)合概率分布。其中，是兩類模型中需要估計的參數(shù)；x是觀察到的屬性；y是需要預測的屬性。無論何種求解函數(shù)形式或概率形式的模型函數(shù)，最終都會轉化為優(yōu)化問題進行求解。函數(shù)形式模型

的參數(shù)求解/02

對于函數(shù)形式模型的參數(shù)求解，一般要定義一個損失函數(shù)來最化預測變量在模型中的預測值與訓練樣本中實際觀測值之間的差異對應的試錯成本。基于損失函數(shù)可以構建“優(yōu)化問題”，該問題的優(yōu)化目標是，在給定參數(shù)設置下，訓練集合上的數(shù)據(jù)基于損失函數(shù)計算出的試錯成本總和最小，有其中，L(·)代表損失函數(shù)；是訓練樣本中的實際觀察值；是基于樣本屬性的模型預測值；N是集合中所有樣本的個數(shù)。函數(shù)形式模型的參數(shù)求解概率形式模型

的參數(shù)求解/03

對于概率形式模型的參數(shù)求解，一般要定義一個極大似然函數(shù)來描述在給定模型的情況下，分析者觀測到訓練集合的可能性。極大似然函數(shù)可以表示為概率形式模型的參數(shù)求解

求解的優(yōu)化問題就是使最大。在實際應用中直接計算十分復雜，因此，可以把對的優(yōu)化問題轉化為對其對數(shù)優(yōu)化的問題。函數(shù)之間的單調性關系可以保證結果的一致性。最終概率形式模型的優(yōu)化問題可以表示為概率形式模型的參數(shù)求解機器學習模型可以從函數(shù)形式和概率形式兩個角度進行設計。

優(yōu)化問題中，目標函數(shù)需要包括所有樣本集合中數(shù)據(jù)的變量取值。

溫馨提示

  • 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網(wǎng)頁內(nèi)容里面會有圖紙預覽，若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 人人文庫網(wǎng)僅提供信息存儲空間，僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理，對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯，并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權或不適當內(nèi)容，請與我們聯(lián)系，我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論