比浏览器更快的访问！
7 关系: 协方差函数，归纳推理，分类，回归，高斯过程，机器学习，支持向量机。
协方差函数
在概率论和统计学中, 协方差 是一种两个变量如何相关变化的度量，而协方差函数, or 核函数, 描述一个随机过程或随机场中的空间上的协方差。 对于一个随机场或 随机过程 Z(x) 在定义域 D， 一个协方差函数C(x, y) 给出在两个点x 和 y 的值的协方差： C(x, y) 在两种情况下称为 自协方差 函数: 在时间序列 (概念一致，除了x和y 指时间点而不是空间点), 以及在多变量随机场 (指变量自己的协方差，而不是互协方差）.
新！!: 相关向量机和协方差函数 · 查看更多 »
归纳推理
归纳法或归纳推理（Inductive reasoning），有时叫做归纳逻辑，是论证的前提支持结论但不确保结论的推理过程。它基于对特殊的代表（token）的有限观察，把性质或关系归结到类型；或基于对反复再现的现象的模式（pattern）的有限观察，公式表达规律。例如，使用归纳法在如下特殊的命题中：.
新！!: 相关向量机和归纳推理 · 查看更多 »
分类
#重定向 分类学.
回归
回歸可以指：是指恢復（殖民地）或收回（被占領的本國領土）的意思，如 香港回歸、澳門回歸。.
高斯过程
在概率论和统计学中，高斯过程（Gaussian process）是观测值出现在一个连续域（例如时间或空间）的统计模型。在高斯过程中，连续输入空间中每个点都是与一个正态分布的随机变量相关联。此外，这些随机变量的每个有限集合都有一个多元正态分布。高斯过程的分布是所有那些（無限多个）随机变量的联合分布，正因如此，它是连续域（例如时间或空间）的分布。 高斯過程被認為是一種機器學習算法，是以方式，利用點與點之間同質性的度量作為，以從輸入的訓練數據預測未知點的值。其預測結果不僅包含該點的值，而同時包含不確定性的資料－它的一維高斯分佈（即該點的邊際分佈）。 對於某些核函數，可以使用矩陣代數（見條目）來計算預測值。若核函數有代數參數，則通常使用軟體以擬合高斯過程的模型。 由於高斯過程是基於高斯分佈（正態分佈）的概念，故其以卡爾·弗里德里希·高斯為名。可以把高斯過程看成多元正態分佈的無限維廣義延伸。 高斯過程常用於統計建模中，而使用高斯過程的模型可以得到高斯過程的屬性。例如，一隨機過程以高斯過程建模，則各種導出量（包括隨機過程在一定範圍次數內的平均值，及使用小範圍採樣次數及採樣值進行平均值預測的誤差）的分佈即能輕易得出。.
新！!: 相关向量机和高斯过程 · 查看更多 »
机器学习
机器学习是人工智能的一个分支。人工智能的研究历史有着一条从以“推理”为重点，到以“知识”为重点，再到以“学习”为重点的自然、清晰的脉络。显然，机器学习是实现人工智能的一个途径，即以机器学习为手段解决人工智能中的问题。机器学习在近30多年已发展为一门多领域交叉学科，涉及概率论、统计学、逼近论、、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。机器学习算法是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论，机器学习与推断统计学联系尤为密切，也被称为统计学习理论。算法设计方面，机器学习理论关注可以实现的，行之有效的学习算法。很多推论问题属于无程序可循难度，所以部分的机器学习研究是开发容易处理的近似算法。 机器学习已广泛应用于数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、DNA序列测序、语音和手写识别、战略游戏和机器人等领域。.
新！!: 相关向量机和机器学习 · 查看更多 »
支持向量机
在机器学习中，支持向量机（support vector machine，常简称為SVM，又名支持向量网络）是在分类与迴歸分析中分析数据的監督式學習模型与相关的学习算法。给定一组训练实例，每个训练实例被标记为属于两个类别中的一个或另一个，SVM训练算法建立一个将新的实例分配给两个类别之一的模型，使其成为非概率线性分类器。SVM模型是将实例表示为空间中的点，这样映射就使得单独类别的实例被尽可能宽的明显的间隔分开。然后，将新的实例映射到同一空间，并基于它们落在间隔的哪一侧来预测所属类别。 除了进行线性分类之外，SVM还可以使用所谓的有效地进行非线性分类，将其输入隐式映射到高维特征空间中。 当数据未被标记时，不能进行监督式学习，需要用非監督式學習，它会尝试找出数据到簇的自然聚类，并将新数据映射到这些已形成的簇。将支持向量机改进的聚类算法被称为支持向量聚类Ben-Hur, Asa, Horn, David, Siegelmann, Hava, and Vapnik, Vladimir; "Support vector clustering" (2001) Journal of Machine Learning Research, 2: 125–137.
新！!: 相关向量机和支持向量机 · 查看更多 »
