1.4.1 现象和问与答
遇到无法用传统概率学方法来解决一些现实问题,如:多维度空间点分类。可以用ML领域的一些方法,事先建立模型,将 距离d =》概率P,用模型计算点属于哪一类的概率。
那对于新问题如何确定模型呢? 进行随机样本实验,根据实验结果,反推模型参数。
现在有了实验数据,如何通过实验数据反推模型呢? 先假设模型,最小二乘法确认目标优化函数,然后梯度下降法求出各个模型参数的最优值;如果求解涉及到了约束条件,参考拉格朗日函数法;如果该问题涉及到概率密度相关,则模型考虑极大似然估计。
对于数值分类问题解决了,那么如何解决图像分类问题呢,比如 花分类,X光判断癌症病人等? 将图像转换为数据,并足够精简,即:特征工程。
所以:
整个机器学习解决问题过程可以分为: 模型空间 = 》 确认目标优化函数 =》 优化方法求解模型参数。
声明:本站所有文章,如无特殊说明或标注,均为本站原创发布。任何个人或组织,在未征得本站同意时,禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益,可联系我们进行处理。