SVM - 機械学習の「朱鷺の杜Wiki」
Freeware† mloss:linear-svm, mloss:support-vector-machines, mloss:svm, mloss:support-vector-machine SVM Software @ www.svms.org LIBSVM (C) Weka LibSVM (WLSVM) LIBLINEAR：大規模計算用，L1/L2損失 (C/C++) liblinear2scipy：pythonラッパー SVM perf, SVM light (C) Tree Kernels in SVM-light SVM python：pythonインターフェース Algorithm-SVMLight：perlインターフェース LaSVM：近似オンライン学習の利用による高速化 svmsgd @ Léon Bottou：確率的勾配降下法の利用 Pegasos AI-Categ
ロジスティック回帰 - 機械学習の「朱鷺の杜Wiki」
ロジスティック回帰 (logistic regression)† ロジスティック回帰は，説明変数が特徴ベクトル \(\mathbf{x}=[x_1,\ldots,x_m]^\top\) で，被説明変数 \(y\) は，値 \(1,\ldots,K\) を取り得るカテゴリ変数でであるような回帰分析． ロジット変換をリンク関数に用いた一般化線形モデル \[\log\frac{\Pr[y=j|\mathbf{x}]}{\Pr[y=K|\mathbf{x}]}=\theta_{j0}+{\mathbf{\theta}_j}^\top\mathbf{x}\] ただし，\(j=1,\ldots,K-1\)．\(\theta_{j0}\) と \(\mathbf{\theta}_j=[\theta_{j1},\ldots,\theta_{jm}]^\top\) はパラメータ． このときクラスの事後確率分
条件付確率場 - 機械学習の「朱鷺の杜Wiki」
関連文献† John Lafferty, Andrew McCallum, and Fernando Pereira "Conditional Random Fields: Probabilistic Models for Segmenting and Labeling Sequence Data" ICML2001 GoogleScholarAll:Conditional Random Fields: Probabilistic Models for Segmenting and Labeling Sequence Data C.Sutton and A.McCallum "An Introduction to Conditional Random Fields for Relational Learning"：&amazon(0262072882);の一部 Book/Probabili
Dirichlet分布 - 機械学習の「朱鷺の杜Wiki」
Dirichlet分布 (Dirichlet distribution)† 実数ベクトル \(\mathbf{x}=(x_1,\ldots,x_k)\) とパラメータベクトル \(\mathbf{\alpha}=(\alpha_1,\ldots,\alpha_k)\) に対して，Dirichlet分布の確率密度関数は \[f(\mathbf{x},\mathbf{\alpha})=\frac{1}{B(\mathbf{\alpha})}\prod_{i=1}^k {x_i}^{\alpha_i-1}\] ただし，\(x_i\ge 0\) かつ \(\sum_{i=1}^k x_i=1\)， \(\alpha_i\ge 0\)， \(B(\mathbf{\alpha})\) は多変量ベータ関数． \(A=\sum_i^k\alpha_i\) として， i番目の要素の平均：\(\frac{\a
probabilistic latent semantic analysis - 機械学習の「朱鷺の杜Wiki」
probabilistic latent semantic analysis (pLSA)† 文書と単語など，離散2変数の計数データの生成モデル． 文書(document)：\(d\in\mathcal{D}=\{d_1,\ldots,d_N\}\)， 語(word)：\(w\in\mathcal{W}=\{w_1,\ldots,w_M\}\)， 潜在変数の話題(topic)：\(z\in\mathcal{Z}=\{z_1,\ldots,z_K\}\) を使った文書と単語の生成モデルがpLSA (probabilistic latent semantic analysis) \[\Pr[d,w]=\Pr[d]\sum_{z\in\mathcal{Z}}\Pr[w|z]\Pr[z|d]\] これは，文書と語について対称に定義することもできる \[\Pr[d,w]=\sum_{z\in\mat
Gibbsサンプラー - 機械学習の「朱鷺の杜Wiki」
Gibbsサンプラー (Gibbs sampler)† 一度に一つの確率変数だけを更新するMCMCの一つであり，MCMC の中でも最もよく使われるものであろう． 目的の分布から決まる条件付分布に従って乱数を発生させる． いわゆる rejection rate は 0 だが，確率変数の値がとどまる確率は 0 ではないので，Metropolis-Hastings法より必ずよく動くというわけではない． -- あかほ ↑
FrontPage - 情報論的学習理論と機械学習の「朱鷺の杜Wiki」
朱鷺の杜Wiki（ときのもり うぃき）† 朱鷺の杜Wikiは，機械学習に関連した，データマイニング，情報理論，計算論的学習理論，統計，統計物理についての情報交換の場です．これら機械学習関係の話題，リンク，関連事項，書籍・論文紹介などの情報を扱います． 更新されたページを確認するにはRSSリーダを使って右下のRSSリンクをチェックするか，最終更新のページを参照してください． ページの中でどこが更新されたかを見るには，上の「差分」をクリックして下さい． 数式の表示に MathJax を利用しています．数式の上でコンテキストメニューを使うと各種の設定が可能です．特に設定をしなくても数式は閲覧できますが，フォントをインストールすれば数式の表示がきれいで高速になります．詳しくは 数式の表示 のページを参照して下さい． ごく簡単なWikiの使い方がこのページの最後にあります．トップページやメニューなど
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
