原创力文档- 1、本文档共152页，可阅读全部内容。
- 2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
- 3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 6、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
分类概念与方法;学习目标/Target;学习目标/Target;引言/Introduction;目录/Contents;目录/Contents;分类的基本概念;5.1分类的基本概念;5.1分类的基本概念;分类的一般方法;5.2分类的一般方法;5.2分类的一般方法;决策树归纳;5.3决策树归纳;5.3决策树归纳;5.3.1决策树归纳的基本原理;5.3.1决策树归纳的基本原理;5.3.2属性划分的度量;5.3.2属性划分的度量;5.3.2属性划分的度量;5.3.2属性划分的度量;5.3.2属性划分的度量;5.3.3树剪枝;5.3.3树剪枝;5.3.3树剪枝;5.3.3树剪枝;5.3.3树剪枝;5.3.4决策树归纳算法;5.3.4决策树归纳算法;5.3.4决策树归纳算法;5.3.4决策树归纳算法;5.3.4决策树归纳算法;5.3.4决策树归纳算法;5.3.4决策树归纳算法;5.3.4决策树归纳算法;5.3.4决策树归纳算法;5.3.4决策树归纳算法;5.3.4决策树归纳算法;5.3.4决策树归纳算法;5.3.4决策树归纳算法;5.3.4决策树归纳算法;5.3.4决策树归纳算法;5.3.5决策树归纳的一般特点;模型的评估与选择;5.4.1模型的过拟合;5.4.1模型的过拟合;5.4.1模型的过拟合;5.4.1模型的过拟合;5.4.1模型的过拟合;5.4.2模型的性能度量;5.4.2模型的性能度量;5.4.2模型的性能度量;5.4.2模型的性能度量;5.4.2模型的性能度量;5.4.1模型的过拟合;5.4.2模型的性能度量;5.4.2模型的性能度量;5.4.2模型的性能度量;5.4.2模型的性能度量;5.4.2模型的性能度量;5.4.3模型评估方法;5.4.3模型评估方法;5.4.3模型评估方法;5.4.4模型选择;5.4.4模型选择;5.4.4模型选择;5.4.4模型选择;基于规则的分类;5.5.1使用IF-THEN规则分类;5.5.1使用IF-THEN规则分类;5.5.2规则分类器的性质;5.5.2规则分类器的性质;5.5.3由决策树提取规则;5.5.3由决策树提取规则;5.5.4使用顺序覆盖算法归纳规则;5.5.4使用顺序覆盖算法归纳规则;5.5.4使用顺序覆盖算法归纳规则;5.5.4使用顺序覆盖算法归纳规则;5.5.4使用顺序覆盖算法归纳规则;5.5.4使用顺序覆盖算法归纳规则;5.5.4使用顺序覆盖算法归纳规则;最近邻分类器;5.6.1K-最近邻分类器;5.6.1K-最近邻分类器;5.6.2K-最近邻分类器的特点;贝叶斯分类器;5.7贝叶斯分类器;5.7.1贝叶斯定理;5.7.2朴素贝叶斯分类器;5.7.2朴素贝叶斯分类器;5.7.2朴素贝叶斯分类器;5.7.2朴素贝叶斯分类器;5.7.2朴素贝叶斯分类器;5.7.2朴素贝叶斯分类器的特征;;;;;;;;5.8.3人工神经网络的特点;支持向量机;1963年，VladimirVapnik就提出了支持向量的概念。1968年，VladimirVapnik和AlexeyChervonenkis提出了“VC维”理论，1974年又提出了结构风险最小化原则。在这些统计学习理论的基础上，1992年VladimirVapnik与他的同事发表了支持向量机的第一篇论文，1995年发表的文章与出版的书籍对支持向量机进行了更详细的讨论。随着支持向量机在文本分类问题上取得巨大成功，支持向量机很快成为机器学习的主流技术。
支持向量机（SupportVectorMachines,SVM）是一种二分类模型，模型利用定义在特征空间中的线性或非线性决策边界来分类，用来分离类。其学习策略是间隔最大化，即选择更好地隔离两个类的超平面作为决策边界。SVM的一个独特特点是它仅使用训练实例的一个子集表示决策边界，该子集被称作支持向量。
SVM的学习方法根据训练数据是否线性可分分为线性支持向量机和非线性支持向量机。;5.9.1线性可分SVM与硬间隔最大化;5.9.1线性可分SVM与硬间隔最大化;5.9.1线性可分SVM与硬间隔最大化;5.9.1线性可分SVM与硬间隔最大化;5.9.1线性可分SVM与硬间隔最大化;5.9.1线性可分SVM与硬间隔最大化;5.9.1线性可分SVM与硬间隔最大化;5.9.1线性可分SVM与硬间隔最大化;5.
文档评论（0）