2017年03月_我愛大泡泡

原创常用的算法最好的讲解地址

主要是为了汇总讲的比较好的一些论文或博客。1、SVD分解和PCA降维等问题http://blog.csdn.net/zhongkejingwang/article/details/42264479（这个写的不错）http://www.cnblogs.com/LeftNotEasy/archive/2011/01/08/lda-and-pca-machine-learning.htm

2017-03-19 23:05:06 1927

原创关于课题的一点思考（基于多生理信号的情绪识别）

有两个非常开阔事业的文章：https://www.analyticsvidhya.com/blog/2016/04/complete-tutorial-tree-based-modeling-scratch-in-python/https://www.analyticsvidhya.com/blog/2013/10/trick-enhance-power-regression-model-

2017-03-19 12:42:11 6902 18

转载 sk-learn线性回归库

转自：http://www.cnblogs.com/pinard/p/6026343.html　　scikit-learn对于线性回归提供了比较多的类库，这些类库都可以用来做线性回归分析，本文就对这些类库的使用做一个总结，重点讲述这些线性回归算法库的不同和各自的使用场景。　　　　线性回归的目的是要得到输出向量YY和输入特征XX之间的线性关系，求出线性回归系数θθ,也就是 Y=XθY=Xθ。

2017-03-27 18:14:06 1318

原创 XGBoost安装（非常简单）

网上看到很多非常麻烦的安装方案，因为主要是电脑内没有c++的编译器，但是因为WIN10已经有了编译器，就不需要在安装GCC了，具体流程如下：1、在github下载所需的安装包下载到本地解压（或是用git）2、从这里下载libxgboost.dll。下载好后放在解压好得到xgboost/python-package/xgboost/路径下（否则不能安装）3、cmd直到到安装包路径下的py

2017-03-22 10:01:42 2030

转载小数据分析师学 Python 之 Seaborn（二）：定量数据的线性模型（谁知道原文出处告诉我一下谢谢）

今天我开始切入了 Linear models with quantitative data 这一Tutorial, 让seaborn拼图增加了一块大大的领土.初识lmplot在之前讲解distribution分布一节中, 主要围绕的是单(双)样本间各自样本的形态, 或者是两个样本间的形态差异. 还未涉及到分析多个样本间的依赖关系. 后者需要借助于更复杂的工具来实现, 比如用线性函数来表达这

2017-03-21 16:14:31 6280 2

转载用Python进行数据可视化的10种方法

引言艺术之美根植于其所传达的信息。有时候，现实并非我们所看到或感知到的。达芬奇（Da Vinci）和毕加索（Picasso）等艺术家都通过其具有特定主题的非凡艺术品，试图让人们更加接近现实。数据科学家并不逊色于艺术家。他们用数据可视化的方式绘画，试图展现数据内隐藏的模式或表达对数据的见解。更有趣的是，一旦接触到任何可视化的内容、数据时，人类会有更强烈的知觉、认知和交流。在数据科学中，有

2017-03-21 00:17:24 22761 3

原创决策树的一些东西，乱写的当个总结。

有两个非常开阔视野的文章：https://www.analyticsvidhya.com/blog/2016/04/complete-tutorial-tree-based-modeling-scratch-in-python/https://www.analyticsvidhya.com/blog/2013/10/trick-enhance-power-regression-model-

2017-03-19 12:48:59 554

转载干货：结合Scikit-learn介绍几种常用的特征选择方法（文章实在找不到最原始出处了，个人感觉是kaggle上的大神写的）

作者： Edwin Jarvis特征选择(排序)对于数据科学家、机器学习从业者来说非常重要。好的特征选择能够提升模型的性能，更能帮助我们理解数据的特点、底层结构，这对进一步改善模型、算法都有着重要作用。特征选择主要有两个功能：减少特征数量、降维，使模型泛化能力更强，减少过拟合增强对特征和特征值之间的理解拿到数据集，一个特征选择方法，往往很难同时完成这两个目的。通常情况下，我

2017-03-16 22:46:32 5537 3

woaidapaopao的博客