2017年04月_fishineye

12月 09月 08月 07月 06月 04月 03月

转载 10 种机器学习算法的要点（附 Python 和 R 代码）

本文由伯乐在线 - Agatha 翻译，唐尤华校稿。未经许可，禁止转载！英文出处：SUNIL RAY。欢迎加入翻译组。前言谷歌董事长施密特曾说过：虽然谷歌的无人驾驶汽车和机器人受到了许多媒体关注，但是这家公司真正的未来在于机器学习，一种让计算机更聪明、更个性化的技术。也许我们生活在人类历史上最关键的时期：从使用大型计算机，到个人电脑，再到现在的云计算。关键的

2017-04-07 10:22:40 1624

转载用Python开始机器学习（10：聚类算法之K均值）

我们之前接触的所有机器学习算法都有一个共同特点，那就是分类器会接受2个向量：一个是训练样本的特征向量X，一个是样本实际所属的类型向量Y。由于训练数据必须指定其真实分类结果，因此这种机器学习统称为有监督学习。然而有时候，我们只有训练样本的特征，而对其类型一无所知。这种情况，我们只能让算法尝试在训练数据中寻找其内部的结构，试图将其类别挖掘出来。这种方式叫做无监督学习。由于这种方式通常是将样本中

2017-04-07 09:49:22 494

转载用Python开始机器学习（9：推荐算法之推荐矩阵）

每个人都会有这样的经历：当你在电商网站购物时，你会看到天猫给你弹出的“和你买了同样物品的人还买了XXX”的信息；当你在SNS社交网站闲逛时，也会看到弹出的“你可能认识XXX“的信息；你在微博添加关注人时，也会看到“你可能对XXX也感兴趣”；等等。所有这一切，都是背后的推荐算法运作的结果。最经典的关联规则算法是大名鼎鼎的Apriori算法，源自一个超市购物篮的故事：啤酒总是和尿布一起被购买。

2017-04-07 09:48:24 4189

转载用Python开始机器学习（8：SVM支持向量机）

SVM支持向量机是建立于统计学习理论上的一种分类算法，适合与处理具备高维特征的数据集。SVM算法的数学原理相对比较复杂，好在由于SVM算法的研究与应用如此火爆，CSDN博客里也有大量的好文章对此进行分析，下面给出几个本人认为讲解的相当不错的：支持向量机通俗导论（理解SVM的3层境界）：http://blog.csdn.net/v_july_v/article/details/762

2017-04-07 09:47:34 610

转载用Python开始机器学习（7：逻辑回归分类）

在本系列文章中提到过用Python开始机器学习（3：数据拟合与广义线性回归）中提到过回归算法来进行数值预测。逻辑回归算法本质还是回归，只是其引入了逻辑函数来帮助其分类。实践发现，逻辑回归在文本分类领域表现的也很优秀。现在让我们来一探究竟。1、逻辑函数假设数据集有n个独立的特征，x1到xn为样本的n个特征。常规的回归算法的目标是拟合出一个多项式函数，使得预测值与真实值的误差最小：

2017-04-07 09:46:43 1313

转载用Python开始机器学习（6：朴素贝叶斯分类器）

朴素贝叶斯分类器是一个以贝叶斯定理为基础，广泛应用于情感分类领域的优美分类器。本文我们尝试使用该分类器来解决上一篇文章中影评态度分类。1、贝叶斯定理假设对于某个数据集，随机变量C表示样本为C类的概率，F1表示测试样本某特征出现的概率，套用基本贝叶斯公式，则如下所示：上式表示对于某个样本，特征F1出现时，该样本被分为C类的条件概率。那么如何用上式来对测试样本分类呢？举例来说，

2017-04-07 09:45:27 1756

转载用Python开始机器学习（5：文本特征抽取与向量化）

假设我们刚看完诺兰的大片《星际穿越》，设想如何让机器来自动分析各位观众对电影的评价到底是“赞”（positive）还是“踩”（negative）呢？这类问题就属于情感分析问题。这类问题处理的第一步，就是将文本转换为特征。因此，这章我们只学习第一步，如何从文本中抽取特征，并将其向量化。由于中文的处理涉及到分词问题，本文用一个简单的例子来说明如何使用Python的机器学习库，对英文进行特征

2017-04-07 09:44:42 976

转载用Python开始机器学习（4：KNN分类算法）

1、KNN分类算法KNN分类算法（K-Nearest-Neighbors Classification），又叫K近邻算法，是一个概念极其简单，而分类效果又很优秀的分类算法。他的核心思想就是，要确定测试样本属于哪一类，就寻找所有训练样本中与该测试样本“距离”最近的前K个样本，然后看这K个样本大部分属于哪一类，那么就认为这个测试样本也属于哪一类。简单的说就是让最相似的K个样本来投票决定

2017-04-07 09:43:59 467

转载用Python开始机器学习（3：数据拟合与广义线性回归）

机器学习中的预测问题通常分为2类：回归与分类。简单的说回归就是预测数值，而分类是给数据打上标签归类。本文讲述如何用Python进行基本的数据拟合，以及如何对拟合结果的误差进行分析。本例中使用一个2次函数加上随机的扰动来生成500个点，然后尝试用1、2、100次方的多项式对该数据进行拟合。拟合的目的是使得根据训练数据能够拟合出一个多项式函数，这个函数能够很好的拟合现有数据，并

2017-04-07 09:42:48 630

转载用Python开始机器学习（2：决策树分类算法）

从这一章开始进入正式的算法学习。首先我们学习经典而有效的分类算法：决策树分类算法。1、决策树算法决策树用树形结构对样本的属性进行分类，是最直观的分类算法，而且也可以用于回归。不过对于一些特殊的逻辑分类会有困难。典型的如异或（XOR）逻辑，决策树并不擅长解决此类问题。决策树的构建不是唯一的，遗憾的是最优决策树的构建属于NP问题。因此如何构建一棵好的决策树是研究的重点。J. Ros

2017-04-07 09:41:30 353

转载用Python开始机器学习（1：配置windows平台）

使用机器学习的开发工具很多，如Matlab，R语言，Python等等。本系列文章不会涉及深入的机器学习原理，旨在让你迅速上手，入门Python进行机器学习。本文提供一系列资源，教你打造一个Python机器学习的平台。1、下载资源Python本文以Python 3.4为例。当然你可以使用老版本。老版本的一个优势是扩展库比较多。链接：

2017-04-07 09:40:37 394

转载 java web项目整体异常处理机制

在实际的j2ee项目中，系统内部难免会出现一些异常，如果把异常放任不管直接打印到浏览器可能会让用户感觉莫名其妙，也有可能让某些用户找到破解系统的方法。出来工作一年时间了，我也大概对异常处理有了一些了解，在这呢小弟简单介绍下个人对异常处理的见解，抛砖引玉，希望各位大神提出宝贵的意见和建议。就拿spring+struts2+hibernate项目说明：通常一个页面请求到后台以

2017-04-05 09:12:18 508

Python3程序开发指南第2版（高清带书签）

本书首先讲述了构成Python语言的8个关键要素，之后分章节对其进行了详尽的阐述，包括数据类型、控制结构与函数、模块、文件处理、调试、进程与线程、网络、数据库、正则表达式、GUI程序设计等各个方面，并介绍了其他一些相关主题。全书内容以实例讲解为主线，每章后面附有练习题，便于读者更好地理解和掌握所讲述的内容。

2017-10-21