| 共 12 篇文章 |
|
经典的支持向量机算法只给出了二类分类的算法，而在数据挖掘的实际应用中，一般要解决多类的分类问题。支持向量机是基于统计学习理论的新一代学习机器，具有很多吸引人的特点，它在函数表达能力、推广能力和学习效率上都要优于传统的人工神经网络，在实际应用中也解决了许多问题，但由于SVM的出现比较晚，还处于发展阶段，尤其是其算法实现方面... 阅23316 转382 评2 公众公开 07-07-16 23:31 |
SVM算法是用于机器学习和机器训练的一个有效算法。由学习算法输出的对目标函数的估计成为学习的解.支持向量机(SVM,Support Vector Machine)是在高维特征空间使用线性函数假设空间的学习系统,它由一个来自最优化理论的学习算法训练,该算法实现了一个由统计学习理论到处的学习偏置.此学习策略由Vapnik和他的合作者提出,是一个准则性的 并且强有力... 阅9827 转72 评0 公众公开 07-07-16 23:24 |
自动分类技术的发展与展望。当需要对一篇待分样本进行分类的时候，只需要计算待分样本和每一个类别向量的相似度即内积，然后选取相似度最大的类别作为该待分样本所对应的类别。Bayes法是一种在已知先验概率与类条件概率的情况下的模式分类方法，待分样本的分类结果取决于各类域中样本的全体。目前，国际上研究并投入实际应用的自动分类算法已有... 阅1744 转50 评0 公众公开 07-07-16 23:19 |
用于车牌字符识别的SVM算法。传统的字符识别方法，如模板匹配、神经网络等，在进行车牌字符识别时其识别率很大程度上依赖于训练样本的数量，且在无特征提取的情况下，识别的正确率相对较低。本文的识别系统识别34个汉字需要建立34个二分类器，为提高识别速度，降低识别系统的复杂度，输入字符不进行特征提取，将16*16的字符矩阵转换成256维的向... 阅3441 转50 评0 公众公开 07-07-16 23:11 |
隐马尔科夫模型HMM自学 （6）尾声。HMM 的第三个应用就是learning，这个算法就不再这里详述了，并不是因为他难于理解，而是它比前两个算法要复杂很多。简单说说我学习HMM的初衷，在科研过程中遇到了reranking的问题，候选一直都是别人为我生成的，处于好奇，终于决定自己也研究一下，大家都知道， reranking是需要产生N-best的候选，既然是N-be... 阅796 转98 评1 公众公开 07-07-10 12:03 |
隐马尔科夫模型HMM自学 （5-2）Viterbi Algorithm.书接前文，viterbi算法已经基本成形......这就需要在每个状态记录得到该状态最优路径的前一状态。2e. viterbi算法的两个优点。2）viterbi会根据输入的观察序列，"自左向右"的根据上下文给出最优的理解。由于viterbi会在给出最终选择前考虑所有的观察序列因素，这样就避免了由于突然... 阅4531 转111 评0 公众公开 07-07-10 12:01 |
隐马尔科夫模型HMM自学 （5-1）Viterbi Algorithm.我们可以通过穷举的方式列出所有可能隐含状态序列，并算出每一种隐状态序列组合对应的观察状态序列的概率。Pr(dry,damp,soggy | sunny,sunny,sunny), Pr(dry,damp,soggy | sunny,sunny,cloudy), Pr(dry,damp,soggy | sunny,sunny,rainy), ....我们这些路径为部分最优路径，每一条 部分最优路径... 阅6009 转119 评0 公众公开 07-07-10 11:59 |
隐马尔科夫模型HMM自学 （4-2）Forward Algorithm.书接上文，前一话我们讲到了Forward Algorithm中初始状态的部分概率的计算方法。但是在t时刻我们已经计算出所有到达某一状态的部分概率，因此在计算t+1时刻的某一状态的部分概率时只和t时刻有关。这个式子的含义就是恰当的观察概率（状态j下，时刻t+1所真正看到的观察状态的概率）乘以此时所有... 阅5724 转115 评0 公众公开 07-07-10 11:56 |
如果用穷举的方法的到某一观察状态序列的概率，就要求所有可能的天气状态序列下的概率之和，这个trellis中共有3*3=27个可能的序列。Pr(dry,damp,soggy | HMM) = Pr(dry,damp,soggy | sunny,sunny,sunny) + Pr(dry,damp,soggy | sunny,sunny ,cloudy) + Pr(dry,damp,soggy | sunny,sunny ,rainy) + ....2、采用递归方法降低复杂度我们采用递归的... 阅5369 转120 评0 公众公开 07-07-10 11:54 |
隐马尔科夫模型HMM自学 （3）根据已知的HMM找出一个观察序列的概率。这类问题是假设我们有一系列的HMM模型，来描述不同的系统（比如夏天的天气变化规律和冬天的天气变化规律），我们想知道哪个系统生成观察状态序列的概率最大。我们会用forward algorithm 算法来得到观察状态序列对应于一个HMM的概率。从观察序列中得出HMM.这是最难的HMM应用。... 阅6904 转128 评0 公众公开 07-07-10 11:52 |
