Rcos⁡θI1−cos⁡θv⃗v⃗Tsin⁡θv⃗×RcosθI1−cosθvvTsinθv×​这就是从向量形式 → 矩阵形式的全过程推导。

所以我们要“反过来推”，从数据出发，倒推出这个参数。这就是最大似然的直觉: “哪个参数让我们实际观测到的数据。我们在每个类别内部进行建模的时候，类别标签已经是已知的固定量。假设我们要预测某人是否患病（1 or 0），你用逻辑回归来建模，参数是。所以 MLE 可以被看作一种“没有先验信息时的贝叶斯估计”。这就是贝叶斯方法“把模型参数的不确定性也考虑进来”的精髓。我们应该考虑所有可能的参数值，不要只依

前言：25年考察了三角形面积权重计算，没有在ppt中找到该知识，直接被暴击。

事件越不可预测（概率越低），其发生时提供的信息量应越大。均匀分布时熵最大（不确定性最高），确定分布时熵最小（零）。在某些情况下，我们不仅关心分类是否正确，还关心错误的代价。为此，我们引入损失函数。如果苹果的表面通常是光滑的，而橘子的表面通常是粗糙的，则。，即在给定观测值 x 的情况下，尽可能做出正确的分类决策。，当我们观察到数据 x 时，我们希望选择最可能的类别。：在已知 B 发生的情况下，事件

ID3 需要评估每个属性的信息增益。基尼指数衡量数据集的不纯度GiniS1−∑j1kPj2GiniS1−j1∑k​Pj2​PjP_jPj​是类别jjj在数据集SSS中的比例。基尼增益ΔGiniGiniS−∣SL∣∣S∣GiniSL∣SR∣∣S∣GiniSRΔGiniGiniS−∣S∣∣SL​∣​GiniSL​∣S∣∣SR​∣​Gini。

事件越不可预测（概率越低），其发生时提供的信息量应越大。均匀分布时熵最大（不确定性最高），确定分布时熵最小（零）。在某些情况下，我们不仅关心分类是否正确，还关心错误的代价。为此，我们引入损失函数。如果苹果的表面通常是光滑的，而橘子的表面通常是粗糙的，则。，即在给定观测值 x 的情况下，尽可能做出正确的分类决策。，当我们观察到数据 x 时，我们希望选择最可能的类别。：在已知 B 发生的情况下，事件

所以我们要“反过来推”，从数据出发，倒推出这个参数。这就是最大似然的直觉: “哪个参数让我们实际观测到的数据。我们在每个类别内部进行建模的时候，类别标签已经是已知的固定量。假设我们要预测某人是否患病（1 or 0），你用逻辑回归来建模，参数是。所以 MLE 可以被看作一种“没有先验信息时的贝叶斯估计”。这就是贝叶斯方法“把模型参数的不确定性也考虑进来”的精髓。我们应该考虑所有可能的参数值，不要只依

通过误差反向传播来更新各层权重，从而逐步减少预测误差。输入信号流过网络，产生输出输出与期望结果对比，计算误差将误差从输出层反向传播至隐藏层基于误差更新权重，减少误差单次样本误差函数（instantaneous error）：En12∑j∈Cdjn−yjn2En21​j∈C∑​dj​n−yj​n2平均误差（用于 batch 模式）：Eav1N∑n1NEnEav​N1​n1∑N。

山东大学软件学院人工智能导论期末复习

山东大学软件学院人工智能导论期末复习