机器学习算法基础学习总结2.基本算法 2.1 Logistic回归 优点:计算代价不高,易于理解和实现。 缺点:容易欠拟合,分类精度可能不高 适用数据类型:数值型和标称型数据。 类别:分类算法。 试用场景:解决二分类问题。 简述: Logistic回归算法基于 Sigmoid函数,或者说 Sigmoid就是逻辑回归函数。 Sigmoid函数定义如下:1/(1-exp(-z))。函数值域范围(0,1)。可以用来做分 类器。 Sigmoid函数的函数曲线如下: 逻辑凹归模型分解如下:(1)首先将不同

对于机器学习，必须知道以下的概念。 – 贝叶斯分类器 – 0-1损失 – 理解判别式函数和线性判别式 – 生成模型和判别式模型 – 分对数变换和logistics判别式 – softmax判别式 ** 以下是对以上内容的一一总结式发言。 ** 一、贝叶斯分类器 1，贝叶斯法则： （1）概率论中，P(h∣D)=P(D∣h)P(h))P(D)P(h|D)=\frac{P(D|h)P(h))}{P(D)}P(h∣D)=P(D)P(D∣h)P(h))​，用P(h)P(h)P(h)表示在没有