惯例开始的废话
真的不开学了吗，家里蹲一学期？顶不住了
作业part2
第三章写过了，就写写第四章的学习笔记吧
第四章主线
生成模型
-
第三章主要介绍的贝叶斯决策是生成模型，而生成模型有优势，但是也有诸多的劣势
譬如高纬需要大量样本，但是随着维度的升高，样本的量是指数级增长。所以对于一些复杂情况，就需要判别模型。
判别模型不仅不需要大量的样本，而且还省去了观测似然概率的估计
然后介绍了线性判据，代入判别表达式，fx<0和fx>0为两类，
但是运用条件肯定是两类或者多类要线性可分，如果线性不可分的情况，那么线性判据就失效了。
一般线性判据，如果是二维，就是直线，三维是平面，高纬就是超平面
而其中两个重要参数w和w0，就是主要要求得的参数，得到之后，线性分类器也就得到了
解域的概念
而在学习的过程中，首先的问题就是解域
这两个参数的解究竟在哪个范围，确定了范围再求出最优解
也就是在解域中求得最优解
并行感知机or串行感知机
*首先对于数据预处理，使两类在超平面的同一侧
*并行感知机和串行感知机是以样本的给出方式划分的，样本一次全部给出称为并行，一个一个给出称为串行
而使用的求解w和w0的算法类似，而且目标函数都是一致的，也就是目的都是一致的，使得被错误分类的样本尽可能少
并行感知机
并行感知机的算法是，目标函数对于参数求偏导，当偏导数为0，则求得极值。
当然要求目标函数是凸函数或者凹函数，不然会出现求得的值并不是最优解的情况。
而并行感知机算法中的参数的求解使用的是梯度下降法，其中步长的选取很重要
步长小了，迭代次数很多，学习很慢，步长大了，会越过极值点，产生震荡。
而迭代过程的停止条件，所有训练样本代入判别函数，都>0
或者更新的目标函数值小于某个可以接受的误差值
更常用的一种方法是迭代一定的次数就停止
串行感知机
目标函数和并行感知机相同
而算法也类似，只是学习过程不太一致，是一个一个去学习样本，调整参数
感知机的收敛
也就是前面的说的最后求出的解，究竟是极值还是最值，这边给出了一个判据
感知机的泛化
加入约束条件，避免要求解的参数为0
好像没有正面，我也不懂为什么，QWQ
Fisher判据
这个，在我的理解中，是一种不同的找出线性判据的方法而已，算是数据清洗吧，我觉得
主要就是利用一些方法进行降维，然后尽量增大类间距离（类间散度），减小类内距离（类内散度）
其中的目标函数也是根据这个思路设计的，然后求解思路还是目标函数对待求参数求偏导，差不多
支持向量机
大概设计用来和Fisher差不多，也是增大类间散度吧，我觉得目的是相近的
但是方法有差异，支持向量机，是选两类中距离决策边界最大的训练样本，使这两个向量距离尽可能大，来达到增大类间散度的目的。这两个向量被称作支持向量。
而目标函数当然就是，这个距离d。
但是还存在着约束条件，就是样本代入判别函数，大于1（对数据和判别函数进行了处理，所以不是大于0），也就是能够对所有样本进行正确分类。然后就涉及到了，约束条件下的最优求解问题。
拉格朗日乘数法
这个方法，我记得大一高数就学过，用来求解条件下的最优解
而这里的方法是同样的，将约束条件乘以变量，比如c
- 然后fx=目标函数+c*约束条件
- fx对x求偏导
-
fx对c求偏导
这种方法，如果是多个约束条件，就对其余的约束条件做相同操作。
而使用的时候，要分不同的情况，所以需要提前求解出极值点，就是目标函数对x求偏导，使其为0
- 极值点在可行域内，则直接取极值点就可以
- 极值点在可行域边界，要在该点出，fx和gx负梯度方向相反
拉格朗日对偶问题
在拉格朗日问题中，可能会出现对于约束条件进行操作后，仍有约束条件的可能，也就是拉格朗日函数带有约束条件
那么就需要拉格朗日对偶法，进行求解
方法是求得主函数L的下界，然后求下界对约束条件系数的最大值
使用对偶函数还有另一个优点，就是对偶函数是凹函数，可以保证局部极值点就是全局极值点
支持向量机学习算法
这一节，主要就是使用拉格朗日对偶方法对支持向量机进行求解
求得最佳的w和w0
然后
然后就没了，线性模型是否可以用于回归问题
当然是可以的，但是老师没继续录了，gg