This shows you the differences between two versions of the page.
Both sides previous revision Previous revision Next revision | Previous revision | ||
keynote:lesson02 [2010/05/24 15:37] 10921038 微小改变,Bayes公式错了 |
keynote:lesson02 [2010/06/26 15:36] 10921021 |
||
---|---|---|---|
Line 16: | Line 16: | ||
|4 |Sunny |Warm |High |Strong |Cool |Change |Yes | | |4 |Sunny |Warm |High |Strong |Cool |Change |Yes | | ||
**实例空间X**:概念是定义在一个实例集合上的,本例中X是所有可能的日子,而Sky,AirTemp之类是日子的属性;\\ | **实例空间X**:概念是定义在一个实例集合上的,本例中X是所有可能的日子,而Sky,AirTemp之类是日子的属性;\\ | ||
- | **目标函数C**:代学习的函数,可以是定义在实例集X上的任意布尔函数,形式化为C:X->{0,1};\\ | + | **目标函数C**:待学习的函数,可以是定义在实例集X上的任意布尔函数,形式化为C:X->{0,1};\\ |
**训练样本D**:是为学习概念而提供的训练实例,训练样本中的每一个条目为X中的一个实例加上此实例对应的目标函数的值C(x);\\ | **训练样本D**:是为学习概念而提供的训练实例,训练样本中的每一个条目为X中的一个实例加上此实例对应的目标函数的值C(x);\\ | ||
**假设空间H**:所有可能假设的集合,它中的每一个假设h表示X上定义的布尔函数,即h:X->{0,1};\\ | **假设空间H**:所有可能假设的集合,它中的每一个假设h表示X上定义的布尔函数,即h:X->{0,1};\\ | ||
Line 169: | Line 169: | ||
==== 2.5.1 Boosting 算法概述 ==== | ==== 2.5.1 Boosting 算法概述 ==== | ||
- | Boosting算法的形式多种多样,通常都是由多个弱分类器在一定的分布下通过循环迭代,最后组成形成一个强分类器的。当这些弱分类器被组合在一起的时候,它们总是会根据各自的准确度而在组合中占一定的权重。当一个弱分类器被加进来时,所有的数据都被重新赋予权重:那些被分错的点的权重会上升,而分对的点的权重则会下降。因此,接下来,分类器会着重注意对待之前被分错类的点。 | + | Boosting算法的形式多种多样,通常都是由多个弱分类器在一定的分布下通过循环迭代,最后组合形成一个强分类器的。当这些弱分类器被组合在一起的时候,它们总是会根据各自的准确度而在组合中占一定的权重。当一个弱分类器被加进来时,所有的数据都被重新赋予权重:那些被分错的点的权重会上升,而分对的点的权重则会下降。因此,接下来,分类器会着重注意对待之前被分错类的点。 |
==== 2.5.2 AdaBoost 算法介绍 ==== | ==== 2.5.2 AdaBoost 算法介绍 ==== |