Coursera台大机器学习技法课程笔记14-Radial Basis Function Network
2023-09-14 08:57:33 时间
将Radial Basis Function与Network相结合。实际上衡量两个点的相似性:距离越近,值越大。
将神经元换为与距离有关的函数,就是RBF Network:
可以用kernel和RBF来衡量相似性:
那么如何选中心点呢,一种方法是把所有看过的资料都当做中心点,这就是 FULL NETWORK:
用所有的点作中心太麻烦,可以选择某几个点来投票,这就是KNN(具体可参考机器学习实战):
之前投票的y就是资料的标签,如果每笔资料都不同的话,可以得到一个简洁的贝塔:
减少中心点(相当于选了几个代表)可以做regularization:
对那些相似的资料,为了简化计算,我们把它分为一类,并选出一个代表:
怎么把资料进行分类呢,可以使用K-Means:
相关文章
- Coursera台大机器学习课程笔记15 -- Three Learning Principles
- 机器学习笔记 - CUDA与OpenCL有什么不同?
- 机器学习笔记 - 优化简介
- 机器学习笔记 - SVD奇异值分解(2)
- 机器学习笔记 - SVD奇异值分解(3) 在图像上应用 SVD
- 机器学习笔记 - 基于keras的Simple RNN训练时间序列数据
- 机器学习笔记 - Kaggle竞赛 帮助保护大堡礁,棘冠海星目标检测参赛经历
- 机器学习笔记 - AutoML框架FLAML初体验
- 机器学习笔记 - TensorFlow Lite设备端机器学习的模型优化
- 机器学习笔记 - 在逻辑回归中使用分类权重处理不平衡数据
- 机器学习笔记 - Kaggle大师Janio Martinez Bachmann的故事
- 机器学习笔记 - 什么是BLEU分数?
- 机器学习笔记 - 人工智能如何用于电影制作
- 机器学习笔记 - 支持向量机(SVM)背后的数学二
- 机器学习笔记 - 什么是边缘人工智能?
- 机器学习笔记 - 探索性数据分析(EDA) 入门案例四
- 机器学习笔记 - labelme标注工具使用
- 机器学习笔记 - 使用opencv的基于深度学习的超分辨率图像处理
- 机器学习笔记(一)----基本概念
- Python3《机器学习实战》学习笔记(一):k-近邻算法(史诗级干货长文)