- 博客(9)
- 收藏
- 关注
RSS订阅转载 凸优化中的基本概念
1.1 什么是凸集?简单来说， 凸集是一个点集， 这个点集有一个性质， 就是在这个集合中任取不同的两个点x和y， 他们之间的线段（包括端点）上的点都属于这个点集，那么就说这个点集是一个凸集。比如下图中左边的图形是凸集，而右边不是，因为我们可以找到两个点，使它们之间的线段上的点不在集合中数学上，凸集的定义如下：给定集合CC，∀x,y∈C∀x,y∈C，0≤θ≤1
2017-10-25 19:53:48
659
转载 凸优化中的基本概念
1.1 什么是凸集?简单来说， 凸集是一个点集， 这个点集有一个性质， 就是在这个集合中任取不同的两个点x和y， 他们之间的线段（包括端点）上的点都属于这个点集，那么就说这个点集是一个凸集。比如下图中左边的图形是凸集，而右边不是，因为我们可以找到两个点，使它们之间的线段上的点不在集合中数学上，凸集的定义如下：给定集合C，∀x,y∈C，0≤θ≤1，如果有θx+(1
2017-10-24 20:15:40
1108
转载 共轭函数
共轭函数共轭函数的定义：设函数f:Rn→R，定义函数f∗:Rn→R为： f∗(y)=supx∈domf(yTx−f(x))此函数称为函数f的共轭函数。即函数yx和函数f(x)之间差值的上确界。 如下图，两条虚线平行，函数f1(x)=yx是通过原点的一条直线,y是常数。下面的虚线交点 (0,−f∗(y))，即是两条平行线之间的y方向上的距离，即差值。
2017-10-21 16:50:41
20277
2
转载 K-Means算法
在数据挖掘中，K-Means算法是一种cluster analysis的算法，其主要是来计算数据聚集的算法，主要通过不断地取离种子点最近均值的算法。问题K-Means算法主要解决的问题如下图所示。我们可以看到，在图的左边有一些点，我们用肉眼可以看出来有四个点群，但是我们怎么通过计算机程序找出这几个点群来呢？于是就出现了我们的K-Means算法（Wikipedia链接）
2017-10-16 14:55:28
218
转载 Sigmoid 函数
Sigmoid函数，即f(x)=1/(1+e-x)。是神经元的非线性作用函数。广泛应用在神经网络中。神经网络的学习是基于一组样本进行的，它包括输入和输出（这里用期望输出表示），输入和输出有多少个分量就有多少个输入和输出神经元与之对应。最初神经网络的权值（Weight）和阈值（Threshold）是任意给定的，学习就是逐渐调整权值和阈值使得网络的实际输出和期望输出一致。给定以下的总输入，我们
2017-10-15 18:00:50
4850
转载 e之美，数学里的 e 为什么叫做自然底数？是不是自然界里什么东西恰好是 e？
回归问题的条件/前提：1） 收集的数据2） 假设的模型，即一个函数，这个函数里含有未知的参数，通过学习，可以估计出参数。然后利用这个模型去预测/分类新的数据。1. 线性回归假设 特征 和 结果 都满足线性。即不大于一次方。这个是针对 收集的数据而言。收集的数据中，每一个分量，就可以看做一个特征数据。每个特征至少对应一个未知的参数。这样就形成了一个线性模型函数，向量表
2017-10-15 17:58:12
3628
1
转载 对线性回归、逻辑回归、各种回归的概念学习
回归问题的条件/前提：1） 收集的数据2） 假设的模型，即一个函数，这个函数里含有未知的参数，通过学习，可以估计出参数。然后利用这个模型去预测/分类新的数据。1. 线性回归假设 特征 和 结果 都满足线性。即不大于一次方。这个是针对 收集的数据而言。收集的数据中，每一个分量，就可以看做一个特征数据。每个特征至少对应一个未知的参数。这样就形成了一个线性模型函数，向量表
2017-10-15 17:19:04
278
转载 [小白式机器学习（一）] logistic regression（LR）对数几率回归 / 逻辑回归 公式推导
因为是傻瓜式教程，所以一定会非常详细！一些概念link到了Wiki的相应解释上。 欢迎捉虫~！二分类和回归的关系考虑 x⇒y 表示的二分类或回归问题，其中 x 是输入， y 是输出。 1. 在二分类中， y 的值取0或1，代表被分为正类或负类。在回归中， y 的取值为连续值。 2. 在线性回归模型中， y=wTx=w⋅x，此处 w 为参数向量， x 为输入样本向量。 3
2017-10-15 16:56:13
552
转载 Git显示单个文件的修改记录
默认在git仓库中输入$ git log会显示所有文件的修改log记录。 如果我们只想看项目中某一个文件的修改记录，可以输入以下命令：$ git log -p xxx(文件名)
2017-10-13 09:50:35
314
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人