交叉验证
1、模型优化 （针对验证集） 测试集考试
信息熵 越小越纯 越大越不纯 最小为0
ent entorpy 信息熵
信息增益：划分前的信息熵-划分后的信息熵 一般用的信息增益
越大 纯度提升的越多
ID3决策树 不是二叉树 类似于多叉树
分裂信息：每个节点的占比
基尼系数：越大 数据越混乱 越小越纯
当前类别占比 *不是当前类别的占比
{901E982F-FBB4-40AB-806E-2249CDAE2CAE}.png
{E6A0A775-CAA6-476B-9E74-97A026BC5115}.png
支持向量机：svm
分类、回归问题 一般做分类
超平面 ：线性模型
1998 cnn lenet
2006 hinton dbn
2015 图像识别
硬间隔
软间隔
s.t 约束条件 分类超平面
网友评论