Algoritmi mašinskog učenja i Bajesova mreža

Study Notes

Bajesova mreža

Klasa za formiranje Bajesove mreže je BayesianNetwork().
Raspodela verovatnoća u Bajesovoj mreži koristi klasu TabularCBD.
Da bi se tri cvora povezala, koristi se komanda:
- model.add_edges_from((‘A’,’B’), (‘A’,’C’),(‘B’,’C’)).

Algoritmi klasifikacije

Algoritmi za klasifikaciju uključuju:
- Support Vector Machine
- K-nearest neighbor
- Logička regresija
- Stabla odlučivanja
- Naivni Bajes
- Random Forest Classification

SVM klasifikacija

Funkcija koja mapira ulazne podatke u viševrednovidni prostor nazivaju se kernel.
Najbliži podatak hiper-ravni u SVM klasifikaciji se naziva vektor oslonca.
Razlika između meke i čvrste margine:
- Čvrsta margina tačno odvaja kategorije.
- Meka margina uključuje dodatnu slabiju varijablu radi omekšavanja kriterijuma.

Klasterovanje

Algoritmi za klasterovanje obuhvataju:
- Centroid-based (K-means)
- Density-based (MeanShift)
- Connectivity-based (Hierarchical/Agglomerative)
- Distribution-based (Gaussian Mixture Model)
- Fuzzy (C-Mean)
Funkcija za raspoređivanje uzoraka po klasterima korišćenjem K-Means klase je model.predict().
Funkcija za mašinsko učenje modela dobijenog od K-means klase je model.fit().
Za finalno formiranje klastera korišćenjem K-Means klase, koristi se metoda clusters=unique().

Hijerarhijsko klasterovanje

Funkcija za raspoređivanje uzoraka po klasterima korišćenjem MeanShift klase je model.fit_predict().
Klasa za hijerarhijsko klasterovanje je AgglomerativeClustering iz sklearn.cluster.
Funkcija za mašinsko učenje modela dobijenog od AgglomerativeClustering klase je model.fit_predict().

Klasterovanje zasnovano na distribuciji

Za klasterovanje zasnovano na distribuciji u Pythonu koristi se modul GaussianMixture.

Description

Ovaj kviz pokriva osnovne koncepte Bajesovih mreža i algoritama za klasifikaciju. Istražite klase korišćene u Python-u, kao i tehnike povezivanja čvorova u mreži. Takođe, saznajte više o popularnim algoritmima kao što su SVM i K-najbliži sused.