[关闭]
@zsh-o 2019-03-26T21:07:08.000000Z 字数 1424 阅读 1105

对 泛化 的思考

机器学习 思想


高维相关性数据


,模型可以被看成是一种函数映射,但在学习过程中函数的参数的每一次改变都会导致所有的映射空间的变化,那么当观测数据量很大的时候无法考察每次微小的改动对整个映射的改变(映射可能包含非常大的维度),或者有一批新的数据,为了使模型能够拟合该数据需要更新参数,但更新需要对整个映射空间造成影响,由于种种原因无法判别该影响,需要一种局部性更强的方法,,,对偶方法?把参数空间转换为数据的观测空间?来完成局部的改变

对偶如何保证表示学习?如何生成数据?模型参数空间与观测样本空间可以相互转换



贝叶斯思想——相关向量(分层?)
参数先验,当前观测数据可以得出参数后验,并得到相关向量(可以是虚拟的,并不一定是原始观测数据中的值),那么这时的参数可以完全表征整个模型得到整个输入输出空间映射,而不必带入观测数据,来了新观测数据可以根据相关向量(局部的隐式的)影响参数,,,,相关向量相当于范例的意思,,,,然后如何生成特征核函数?分层模型?


两个可研究的方向

添加新批注
在作者公开此批注前,只有你和作者可见。
回复批注