- 博客(9)
- 收藏
- 关注
RSS订阅原创 期末作业——基于机器学习算法的LOL比赛预测（求高分，拜托拜托）
前言：2018年5月2日，各大高校男生宿舍不约而同的爆发出尖叫和呼喊声。难道是“单身少年们”集体受到刺激，而引发的集体抗议吗？在这一切的背后究竟隐藏着怎样的秘密？其实真相是：一、题目背景 近年来，随着科技的不断进步和人们传统思想的不断改变，电子竞技正在飞速发展。刚刚，亚奥理事会公布了亚运电子体育表演赛的六个项目：《英雄联盟》、《实况足球》、《炉石传说》、《星际争霸2》、《Arena of Val...
2018-07-10 20:57:53
8677
7
原创 机器学习笔记——SVM学习心得
支持向量机（support vector machines）是一个二分类的分类模型（或者叫做分类器）。 它分类的思想是，给定给一个包含正例和反例的样本集合，svm的目的是寻找一个超平面来对样本根据正例和反例进行分割。 各种资料对它评价甚高，说“ 它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中”一、SVM的基本想法 回到我们最开始讨论的Ｋ...
2018-06-28 15:52:35
2231
原创 TensorFlow初探（撞得满头大包）
1.Tensorflow简介2.基于TensorFlow的逻辑回归3.心得体会1.简介 TensorFlow是一个编程系统, 使用图来表示计算任务. 图中的节点被称之为 op (operation 的缩写). 一个 op 获得 0 个或多个 Tensor, 执行计算,产生 0 个或多个 Tensor. 每个 Tensor 是一个类型化的多维数组. 例如, 你可以将一小组图像集表示为一个四维浮点数...
2018-06-28 15:45:57
437
原创 （参评）机器学习随笔——逻辑回归
目录 1.Logistic回归算法 1.1回归流程 1.2基于Logistics和Sigmoid函数的分类 2.基于最优化方法确定最佳回归系数 2.1梯度上升法 2.1.1应用举例及测试 2.2随机梯度上升法 2.3改进的随机梯度上升算法 3.使用Logicstic进行预测 3.1数据准备 3.2测试算法：分类 4.心得体会 1.回归算法1.1回归流程Logistic 回归的一般过程1、 收集数...
2018-06-28 15:23:54
414
原创 （参评）机器学习笔记——鸢尾花数据集（KNN、决策树、朴素贝叶斯分析）
最开始选取鸢尾花数据集来了解决策树模型时，笔者是按照学习报告的形式来写得，在这里将以原形式上传。格式较为繁复，希望读者可以耐心看完，谢谢大家。 目录 1、问题描述 2、数据准备与数据预处理 2.1 收集数据 2.2划分数据集 3、数据可视化 4、模型基本原理与算法实现 4.1 KNN算法基本原理及主程序 4.2决策树模型算法及基本原理 4.3朴素贝叶斯算法及基本原理 5、测试...
2018-06-28 15:03:32
19530
3
原创 机器学习随笔——线性回归
预测型数据：回归一、概述1.1回归“回归”一词的来历： 今天我们知道的 回归是由达尔文（Charles Darwin）的表弟Francis Galton发明的。Galton于1877年完成了第一次回归预测，目的是根据上一代豌豆种子（双亲）的尺寸来预测下一代豌豆种子（孩子）的尺寸。Galton在大量对象上应用了回归分析，甚至包括人的身高。他观察到，如果双亲的身高高于平均身高，他们的子代也倾向于高于...
2018-06-28 14:46:34
248
原创 K-均值聚类算法学习心得
一、分类与聚类 分类作为一种监督学习方法，要求必须事先明确知道各个类别的信息，并且断言所有待分类项都有一个类别与之对应。但是很多时候上述条件得不到满足，尤其是在处理海量数据的时候，如果通过预处理使得数据满足分类算法的要求，则代价非常大，这时候可以考虑使用聚类算法。聚类属于无监督学习，相比于分类，聚类不依赖预定义的类和类标号的训练实例。由于具有出色的速度和良好的可扩展性，Kmeans聚类算法算得上...
2018-06-05 15:58:26
12706
原创 机器学习笔记之Adaboost算法分析及实际引用
一、boost前提介绍提升（Boost）简单地来说，提升就是指每一步我都产生一个弱预测模型，然后加权累加到总模型中，然后每一步弱预测模型生成的的依据都是损失函数的负梯度方向，这样若干步以后就可以达到逼近损失函数局部最小值的目标。boosting分类的结果是基于所有分类器的加权求和结果的，分类器每个权重代表的是其对应分类器在上一轮迭代中的成功度。而bagging中的分类器权重是相等的。其中Adabo...
2018-05-25 15:25:55
1175
2
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