机器学习导论(张志华):多元高斯分布及应用
2018-09-24 10:14
141 查看
前言
这个笔记是北大那位老师课程的学习笔记,讲的概念浅显易懂,非常有利于我们掌握基本的概念,从而掌握相关的技术。
基本概念
这件课就是在推公式了,推了半天的公式,进行矩阵化简,降低计算量
重要公式
(A−BD−1C)−1=A−1+A−1B(D−(A−1B)−1)A−1 (A-BD^{-1}C)^{-1}=A^{-1} +A^{-1}B(D-(A^{-1}B)^{-1})A^{-1} (A−BD−1C)−1=A−1+A−1B(D−(A−1B)−1)A−1
这个公式可以充分降低矩阵求逆的运算量。
相关文章推荐
- 机器学习导论(张志华):正定核应用
- 【机器学习】多元高斯分布下的贝叶斯分类感知器
- EM(期望值最大化)算法在高斯混合分布中的应用
- 多元高斯分布及多元条件高斯分布
- MapReduce——并行期望最大值化算法(EM在高斯混合分布中的应用)
- 多元高斯分布
- “上帝的算法”在高斯混合分布中的应用
- “上帝的算法”在高斯混合分布中的应用
- 虚拟分布环境在下代互联网中应用
- 混合高斯模型(多元高斯求导)
- 高斯分布中均值,方差,协方差的计算及matlab实现
- 多元正态分布的条件概率分布(一)
- 高斯列主元素消去法解多元一次方程组
- Spring Cloud Spring Boot mybatis分布式微服务云架构(十一)Web应用的统一异常处理
- 高斯分布_简介
- Excel在统计分析中的应用—第六章—概率分布及概率分布图-Part5-泊松分布函数POISSON.DIST()的应用
- 阿贝尔分布求和法的应用(一)
- 多元正态分布条件分布公式总结
- 机器学习----分布问题(二元,多元变量分布,Beta,Dir)
- 高斯分布期望的推导