機器學習-演算法背後的理論與優化(part3)--經驗風險與泛化誤差概述
學習筆記,僅供參考,有錯必究
經驗風險與泛化誤差概述
監督學習,尤其是其中一部分傳統的分類問題,能夠進一步泛化為一個統一的模型,稱為基於分類界限的結構風險最小模型。
要深入解讀結構風險最小,就需要理解機器學習中經典分類問題的統計學習基石,就是經驗風險最小。本質上,結構風險最小模型就是經驗風險最小和正則化的組合。有了結構風險最小,我們就能進一步統一邏輯迴歸、廣義線性模型之外分類演算法,包括支援向量機、AdaBoost演算法等。
大家已經很直觀知道,分類的演算法並不唯一,如有邏輯迴歸和支援向量機演算法等。那麼就有個很直觀的問題,那就是哪個演算法更好。在比較演算法好壞的時候,有兩種模式,一種脫離具體問題,絕對的比較演算法。另外一種不脫離具體問題,相對的比較演算法。我們在歷史上學過一個道理,就是不能脫離歷史環境來評價一個人物的好壞。其實,這裡也有類似的結論,一個演算法的環境或者上下文,就是針對特定的具體問題,即不能
相關文章
- 機器學習之泛化機器學習
- 強化學習之蒙特卡洛學習,時序差分學習理論與實戰強化學習
- 強化學習詳解:理論基礎與核心演算法解析強化學習演算法
- “地攤經濟”背後的業務風險隱患與應對
- 【機器學習】深度學習與經典機器學習的優劣勢一覽機器學習深度學習
- 決策樹在機器學習的理論學習與實踐機器學習
- 常見機器學習演算法背後的數學機器學習演算法
- 機器學習 – 特徵選擇演算法流程、分類、優化與發展綜述機器學習特徵演算法優化
- 【機器學習】數值分析01——緒論及誤差分析機器學習
- 2018深圳國際機器人與智慧系統院士論壇姚新:演化計算與智慧優化和機器學習機器人優化機器學習
- C/C++ 效能優化背後的方法論:TMAMC++優化
- 【寫實與風格化】技術概述
- 機器學習實戰 | 性別預測模型的構建與優化機器學習模型優化
- 小科普:機器學習中的粒子群優化演算法!機器學習優化演算法
- 強化學習理論-第4課-值迭代與策略迭代強化學習
- 深度學習中的Lipschitz約束:泛化與生成模型深度學習模型
- 幽默:Lemonade機器學習演算法可對保險風險預測機器學習演算法
- 機器學習基礎篇:支援向量機(SVM)理論與實踐機器學習
- 機器學習之過擬合的風險機器學習
- 機器學習4-模型的誤差來源以及減少誤差的方法機器學習模型
- 強化學習與其他機器學習方法有什麼不同?強化學習機器學習
- "Hello World"背後的風險分析
- 差異化與中心化,QQ小遊戲的機遇中心化遊戲
- 異構記憶體及其在機器學習系統的應用與優化記憶體機器學習優化
- 強化學習(十七) 基於模型的強化學習與Dyna演算法框架強化學習模型演算法框架
- 神經網路模型與誤差逆傳播演算法神經網路模型演算法
- 搞不懂深度學習中常用優化演算法背後的數學原理?看這篇就對了深度學習優化演算法
- 梯度下降優化演算法概述梯度優化演算法
- 後端編譯與優化後端編譯優化
- 搜尋引擎優化風險和SEO風險要避免優化
- 機器學習筆記——模型選擇與正則化機器學習筆記模型
- web效能優化(理論)Web優化
- 構建和優化深度學習模型(神經網路機器識圖)優化深度學習模型神經網路
- 從資訊理論的角度理解與視覺化神經網路視覺化神經網路
- 機器學習的教訓:5家公司分享的錯誤經驗機器學習
- 2018自然語言處理與機器學習論文發表統計自然語言處理機器學習
- 機器學習中常見優化方法彙總機器學習優化
- 線上Linux伺服器優化經驗Linux伺服器優化