web有哪些信誉好的足球投注网站 郭军 chapter2.pptVIP

* WIR WIF WIC * WIR WIF WIC * WIR WIF WIC * WIR WIF WIC * WIR WIF WIC * WIR WIF WIC * WIR WIF WIC * WIR WIF WIC * WIR WIF WIC * WIR WIF WIC * WIR WIF WIC * WIR WIF WIC * WIR WIF WIC * WIR WIF WIC * WIR WIF WIC * WIR WIF WIC * WIR WIF WIC * WIR WIF WIC * WIR WIF WIC * WIR WIF WIC * WIR WIF WIC * WIR WIF WIC * WIR WIF WIC * WIR WIF WIC * WIR WIF WIC * WIR WIF WIC * WIR WIF WIC * WIR WIF WIC * WIR WIF WIC * WIR WIF WIC * WIR WIF WIC * WIR WIF WIC * WIR WIF WIC * WIR WIF WIC * WIR WIF WIC * WIR WIF WIC * WIR WIF WIC * WIR WIF WIC * WIR WIF WIC * WIR WIF WIC * WIR WIF WIC * WIR WIF WIC * WIR WIF WIC * WIR WIF WIC * WIR WIF WIC * WIR WIF WIC * WIR WIF WIC * WIR WIF WIC Fisher鉴别 以二类学习问题为例，令X和Y分别表示一类向量的集合。向量的元素可以是令向量长度归一的实数 Fisher鉴别在寻找一种映射α*，它使得X和Y两个数据集被映射到二者质心间的距离相对集合内数据的展开幅度达到最大的方向上，即 Fisher鉴别指数 Fisher鉴别是一种变换，具有破坏特征稀疏性的特点 将每个词t都看作为一个候选的方向，即令 　αt = (0,…,1,…,0)T，即1只在词t的位置出现，定义t的Fisher鉴别指数为 由于αt的特殊形式，上式可简化为 　 对于多类问题 　 排除算法 排除算法从全部词特征集T开始逐步对“无用”特征进行排除，直至获得一个满意的特征子集F 排除算法的核心思想是尽量保持P(C?|T)与P(C|F)的相似性，因为分类与聚类可以基于类(C)的特征条件概率分布来设计算法 P(C?|T)与P(C|F)的相似性可用KL距离来度量 如果P(P=p|Q=q，R=r) = P(P=p|R=r)，则称P在R条件下独立于Q 排除算法的核心是寻找类与特征之间的条件独立关系 排除算法复杂度高，优点是考虑了特征之间的相关性 特征维数确认 Validation: 取多少维特征最佳 普通确认 训练数据被分为两部分，分别用于特征排序和测试 交叉确认: 留一法(Leave-One-Out) 训练数据较少时使用 每次留出一个样本用于测试 特征变换 通过数学变换对原始特征进行不同的线性或非线性组合，从新产生的组合中挑选好特征 本质是不同域或空间之间的映射 目的是找到能够用更低维度“紧凑”地表达文档数据的空间，同时，在新空间中，文档之间仍然保持在原空间的亲疏关系 只要能起到特征降维和保持文档之间原有距离的效果的各种数学变换都可应用于文档特征变换 Fourier、Wavelet、PCA、LDA、流形分析 SOM和LSI具有典型意义 SOM (Self-Organizing Map) 输入数据并联地馈入到一维或二维排列的神经元阵列，将多维连续数据空间映射到一维或二维离散数据空间 神经元间的拓扑距离代表使其兴奋的数据在原空间中的亲疏关系，使同一神经元兴奋的数据被认为是一类 工作过程分为竞争、协作和权值调整三个阶段 一个作用是将检索回来的文档的相似性在二维平面上进行可视化 LSI(Latent Semantic Index) 是奇异值分解SVD在文本特征矩阵中应用的产物 每个LSI都是所有原始特征(词)的线性组合，因而具有潜在的语义 对于由特征词集合T所描述的文档集合D，令A={aij}为词-文档矩阵，i = 1,…,|T|, j = 1,…|D| A中的每一列对应一个文档的VSM 矩阵A的秩远小于min{|T|, |D|}，可用SVD进行紧致表达 LSI的意义 (ATA)|D|×|D|的元素可被解释为两个文档之间的相似性 (AAT)|T|×|T|的元素可被解释为两个词之间的相似性 A的SVD使上述两个矩阵变为(VΣ2VT)|D|×|D|和(UΣ2UT)|T|×|T| V的第d行是文档d的精炼表示,U的第