機(jī)器學(xué)習(xí) 課件 第6章 非線性模型、第7章 集成學(xué)習(xí)

第6章非線性模型《機(jī)器學(xué)習(xí)》胡曉目錄6.1分段線性判別6.2二次判別分析6.3核方法6.1分段線性判別如圖所示，我們可以用兩條線性分界線(兩條黑色直線)完成線性不可分的分類問(wèn)題。此策略分成兩步：子類劃分和合并同類。子類劃分，將某些類別劃分成可與其它類線性可分的子類。合并同類即將分類后相同類合并成一類。6.2二次判別分析

因此，實(shí)際上采用參數(shù)估計(jì)獲得二次判別函數(shù)。6.2二次判別分析

6.3核方法核方法基本思路：不增加模型參數(shù)，將訓(xùn)練樣本屬性向量從低維空間非線性映射到高維空間，然后在高維空間學(xué)習(xí)線性模型。6.3核方法

6.3核方法

6.3核方法

6.3核方法6.3.2核函數(shù)

6.3核方法

1、線性核函數(shù)

3、雙正切核函數(shù)

5、指數(shù)核函數(shù)

6、拉普拉斯核函數(shù)

6.3核方法

6.3核方法

謝謝！第7章集成學(xué)習(xí)《機(jī)器學(xué)習(xí)》胡曉目錄7.1集成學(xué)習(xí)理論依據(jù)7.2集成學(xué)習(xí)機(jī)制7.3決策樹7.4隨機(jī)森林7.5自適應(yīng)助推7.1集成學(xué)習(xí)理論依據(jù)

7.2集成學(xué)習(xí)機(jī)制裝袋法(Bagging)

：每次被選取的樣本賦予相同權(quán)重，所有模型有相同投票權(quán)；采用某種組合策略確定最終結(jié)果。助推法(Boosting)采用級(jí)聯(lián)方式，前級(jí)基學(xué)習(xí)指導(dǎo)后級(jí)基學(xué)習(xí)，后級(jí)基學(xué)習(xí)重視前級(jí)的錯(cuò)分樣本，并給予錯(cuò)分樣本

7.3決策樹

在樹形結(jié)構(gòu)圖中，只有輸出沒(méi)有輸入的節(jié)點(diǎn)稱為是根結(jié)點(diǎn)，位于樹的頂端；既有輸入又有輸出的結(jié)點(diǎn)稱為中間結(jié)點(diǎn)；只有輸入沒(méi)有輸出的結(jié)點(diǎn)稱為葉結(jié)點(diǎn)，葉結(jié)點(diǎn)代表了對(duì)樣本數(shù)據(jù)的決策類別，即決策結(jié)果。7.3決策樹7.3.2ID3和C4.5第3代迭代二叉樹(IterativeDichotomiser3,ID3)C4.5算法與ID3整體結(jié)構(gòu)基本一樣，都采用自頂向下的貪婪搜索遍歷所有可能的決策樹空間；不同的是：在劃分分支選擇最優(yōu)屬性時(shí)，ID3選擇信息增益最高的屬性，而C4.5采用信息增益比最高的屬性。

信息增益比，

7.3決策樹7.3.2ID3和C4.5

7.3決策樹

7.3決策樹7.3.3分類回歸樹

從表7.1中有放回的隨機(jī)抽取15個(gè)樣本構(gòu)成數(shù)據(jù)集

7.3決策樹

7.3決策樹7.3.4剪枝理想情況下，所有樣本都能被決策樹精確預(yù)測(cè)，即生成決策樹葉結(jié)點(diǎn)都有確定類型。但實(shí)際上決策樹可能存在過(guò)多結(jié)點(diǎn)，導(dǎo)致過(guò)度擬合。常見(jiàn)原因：樣本中存在噪聲和樣本不具代表性。因此，實(shí)際中常常進(jìn)行枝葉裁剪。預(yù)剪枝后剪枝7.4隨機(jī)森林隨機(jī)森林是(RadomForest)裝袋學(xué)習(xí)機(jī)制的一種進(jìn)階。在隨機(jī)森林中，每個(gè)基映射函數(shù)都是一棵決策樹，然后