支持向量机 (SVM) 是一种分类方法，它受到了广泛的关注。这种方法起源于统计学习理论，并在许多实际应用中表现出了良好的经验结果，从手写数字识别到文本分类。SVM 还可以处理高维数据并避免维度灾难问题。这种方法的第二个要素是它使用训练实例的一个子集（称为支持向量）来定义决策边界。SVM 可以被训练来明确地查看线性可分数据中的这种类型的超平面。它可以通过显示 SVM 如何… 阅读更多

人工神经网络是一个建立在生物神经网络功能基础上的系统。它是生物神经系统的模拟。人工神经网络的特点是结构多样，需要多种算法方法，但无论系统多么复杂，神经网络都很容易使用。这些网络介于主管工具箱中的特定信号处理科学之间。这个领域是高度跨学科的，但这种技术将把视野限制在工程视角上。输入/输出训练数据在神经网络技术中至关重要，因为它们发送必要的记录以“找到”最佳… 阅读更多

人工神经网络是一个基于生物神经网络功能的系统。它是生物神经系统的模拟。人工神经网络的特点是结构多样，需要多种算法方法，但无论系统多么复杂，神经网络都很容易使用。这些网络介于主管工具箱中的特定信号处理科学之间。这个领域是高度跨学科的，但这种方法将把视野限制在工程视角上。在工程领域，神经网络主要执行两种功能：模式分类器和非线性自适应滤波器。人工神经网络… 阅读更多

人工神经网络比感知器模型的机制更复杂。多层人工神经网络中有多种方法，如下所示-网络可以在其输入层和输出层之间包含多个中间层。这些中间层称为隐藏层，安装在这些层中的节点称为隐藏节点。由此产生的架构称为多层神经网络。在前馈神经网络中，一层中的节点仅连接到下一层中的节点。感知器是一个单层前馈神经网络，因为它只有一个… 阅读更多

人工神经网络是一个建立在生物神经网络功能基础上的系统。它是生物神经系统的模拟。人工神经网络的特点是结构多样，需要多种算法方法，但无论系统多么复杂，神经网络都很容易使用。这些网络介于主管工具箱中的特定信号处理科学之间。这个领域是高度跨学科的，但这种技术将把视野限制在工程视角上。在工程领域，神经网络主要执行两种功能：模式分类器和非线性自适应滤波器。人工神经网络… 阅读更多

朴素贝叶斯分类器假设类条件独立性，即给定元组的类标签，属性的值被认为是条件独立的。这定义了评估。当假设成立时，因此朴素贝叶斯分类器相对于多个分类器是有效的。它可以表示联合条件概率分布。它们允许在变量子集之间表示类条件独立性。它们支持因果关系的图形结构，可以在其上实现学习。训练好的贝叶斯信念网络用于分类。贝叶斯信念网络也称为信念网络，… 阅读更多

贝叶斯分类器是统计分类器。它可以预测类成员概率，例如给定样本应用于特定类的概率。当贝叶斯分类器可以拥有大型数据库时，它们也显示出很高的效率和速度。因为类已定义，所以系统必须推断出控制分类的规则，因此系统必须能够发现每个类的描述。描述必须定义训练集的预测属性，以便只有正实例必须满足描述，而不是负实例。如果规则的描述涵盖… 阅读更多

最近邻规则通常会产生较高的性能，而无需对绘制训练实例的分配进行先验假设。它包括正例和反例的训练集。通过计算到最接近训练案例的距离来定义新样本；然后该点的符号决定样本的分类。k-NN 分类器通过获取 k 个最近的点并生成多数的符号来增强此概念。通常选择 k 为小奇数以打破平局（通常为 1、3 或 5）。较大的 k 值有助于减少… 阅读更多

RIPPER 是一种广泛使用的规则归纳算法。该算法几乎与训练实例的数量线性扩展，特别适合从类分布过载的数据集中构建模型。RIPPER 还适用于嘈杂的数据集，因为它使用验证集来防止模型过拟合。RIPPER 选择多数类作为其默认类，并了解识别少数类的规则。对于多类问题，类按其频率排序。(y1 y2...yc) 是有序类，其中 y1 是最不频繁的类，yc 是最频繁的类。在… 阅读更多

在训练期间有多种方法可以估计模型的泛化误差。估计的误差支持学习算法进行模型选择；即，发现一个不会受到过拟合影响的具有正确复杂度的模型。因为模型已经构建，所以它可以在测试集上用于预测以前未见过数据的类标签。测量模型在测试集上的性能通常很有用，因为这种测量提供了其泛化误差的无偏估计。从测试集中评估的准确率或错误率可以… 阅读更多