分类问题
学习提纲
- 模型分类
- 判别模型
- 概率判别式模型
- 概率生成式模型
- 线性可分的线性分类
- 线性判别函数
- 感知器算法
- 梯度下降算法
- 线性不可分的线性分类
- Logistic 回归模型
- Bayes 决策论
- 线性判别分析
- 支持向量机
- 非线性可分的非线性分类
- 基于核的支持向量机
线性可分的线性分类
线性判别函数
模型公式
- $g ( \text{x} ) =\text{w}^T\text{x}+w_0=\dot{\text{w}}^T\dot{\text{x}}$
- $\text{w}$ 权值向量
- $w_0$ 阈值
- $\dot{\text{w}}= ( \text{w}^T,w_0 )^T$ 增广权值向量
- $\text{x}$ 输入向量
- $\dot{\text{x}}= ( \text{x}^T,1 )^T$ 增广输入向量
感知器算法
$\dot{\text{w}}^{( t+1 )}=\dot{\text{w}}^{( t )}+\alpha y_n \dot{\text{x}}_n$
- $\text{w}$ 是参数向量
- 参数向量与决策面垂直
- $y_n\in{-1,+1}$
- $\text{x}_n\in\mathcal{E}$
- $\mathcal{E}$ 是分类错误的数据集
- 注1:应该分到+1类的输入被错分,则参数向量朝向输入旋转,使输入更可能被正确分到+1类
- 注2:应该分到-1类的输入被错分,则参数向量背离输入旋转,使输入更可能被正确分到-1类
- $\mathcal{E}$ 是分类错误的数据集
- $\alpha$ 是迭代因子,控制更新的步长