【David Sontag】监督学习方法

本课件主要内容包括：

1. 最近邻算法

2. K最近邻算法

3. 判决边界

4. k-NN示例

5. 加权k-NN

6. k-NN与高斯核SVM很相似

7. KNN的优点

8. ER中的机器学习

9. 我们能预测感染吗？

10. 基于判决树的感染预测

11. 假设：判决树

12. 假设空间

13. 判决树的学习是很困难的！

14. 递归步骤

15. 测量的不确定性

16. 熵

17. 熵的示例

18. 条件熵

19. 信息增益

20. 判决树学习

21. 判决树导致的过度拟合

22. 选择最优门限

23. MPG示例

24. 组合方法

25. 偏差与方差的折中

26. 在不增大偏差的情况下减小方差

27. Bagging示例

28. CART判决界

29. 随机森林

完整课件下载地址：

http://page2.dfpan.com/fs/2lbc8j62a2c15239160/

更多精彩文章请关注微信号：