红外归一化的处理步骤 机器学习需要哪些数学基础？
机器学习需要哪些数学基础？
主要是线性代数和概率论。
现在最流行的机器学习模型，神经网络基本上有很多向量、矩阵、张量。从激活函数到损失函数，从反向传播到梯度下降，都是对这些向量、矩阵和张量的运算和操作。
其他“传统”机器学习算法也使用大量线性代数。例如，线性回归与线性代数密切相关。
从线性代数的观点来看，主成分分析是对协方差矩阵进行对角化。
尤其是当你读论文或想更深入的时候，概率论的知识是非常有用的。
它包括边缘概率、链式规则、期望、贝叶斯推理、最大似然、最大后验概率、自信息、香农熵、KL散度等。
神经网络非常讲究“可微性”，因为可微模型可以用梯度下降法优化。梯度下降和导数是分不开的。所以多元微积分也需要。另外，由于机器学习是以统计方法为基础的，因此统计知识是必不可少的。但是，大多数理工科专业学生都应该学过这两部分内容，所以这可能不属于需要补充的内容。
层次分析法采用特征根的方法计算出特征向量后，经归一化后就是权重向量。什么叫归一化?归一化需要如何处？
归一化相对简单，因为特征向量的和不一定是1，所以我们需要将特征向量除以这些向量的和，新的数字就是权重向量。例如：得到的特征向量是（0.6853 0.2213 0.0933），它们的和是0.9999，而不是1，所以需要对它们进行规格化。分别为6853/0.9999、0.2213/0.9999、0.0933/0.9999。然后四舍五入，最后的数字是（0.68540.22130.0933），这些值的和是1，所以称为归一化。
红外归一化的处理步骤 rbf需要归一化吗 spss归一化处理步骤
版权声明：本文内容由互联网用户自发贡献，本站不承担相关法律责任.如有侵权/违法内容,本站将立刻删除。
