- 机器学习过程
- 用EM算法推测高斯混合模型(GMM)
- 去均值ICA分离
- SVM
- HMM分词:MLE
- LDA --主题分布 舆情分析
- 且
e
的近似值
from matplotlib import pyplot as plt
def f_n(n):
if n<0:
return
r = 1 # 存储n!
s = 1
if n==0:
return r
for i in range(1,n+1):
r *= i
s += 1./r
return s
l = list(range(15))
res =map(f_n,l)
plt.plot(list(res))
plt.title("泰勒展式近似e")
plt.rcParams['font.sans-serif']=['SimHei'] #显示中文
plt.show()
- 泰勒公式
熵
H ( x ) = − ∑ k = 1 K p k l n p k ( 1 ) H(x)=-\sum_{k=1}^{K}p_{k}lnp_{k} (1) H(x)=−k=1∑Kpklnpk(1)
-ln(x)
在x=1
处一阶近似展开为1-x
(1)式近似后,得到Gini系数
G i n i ( x ) = − ∑ k = 1 K p k ( 1 − p k ) Gini(x) = -\sum_{k=1}^{K}p_{k}(1-p_{k}) Gini(x)=−k=1∑Kpk(1−pk)
- 方向导数(函数f(x,y)沿直线l的导数)
当方向导数为f(x,y) 的偏导方向时,导数下降最快,为梯度
- 伽马函数
- 凸函数。
不等式可通过费马定理证明(定于f关于 λ \lambda λ的函数)
- softmax近似
- 古典概型