- 博客(5)
- 收藏
- 关注
RSS订阅原创 Logistic Regression and Perceptron
学习率通常是一个小正数，例如0.01，其在每次更新中控制了权重和偏差的调整幅度。为处理非线性问题，通常要使用更复杂的分类算法，如支持向量机（是一种简单有效的二分类算法，但它有一个限制，只能处理线性可分的数据。函数将线性组合的输入映射到一个介于0和1之间的概率值，并基于这个概率值进行分类。是包含所有训练样本特征的矩阵，每一行表示一个样本，每一列表示一个特征。逐渐适应数据，以期望在未来的预测中更准确地分类样本。是模型对所有训练样本的预测结果，是一个列向量。类边界，A类和B类数据是用二维高斯分布生成的，
2023-11-01 21:10:34
96
1
原创 Linear Regression
协方差矩阵的主对角线上的元素是每个变量的方差，而其他元素则表示不同变量之间的协方差。在机器学习中，协方差矩阵通常用于描述特征之间的关系，例如在数据标准化和特征选择中，以及在高斯朴素贝叶斯分类器和线性判别分析等算法中的应用。 协方差矩阵的主对角线上的元素是每个变量的方差，而其他元素则表示不同变量之间的协方差。在机器学习中，协方差矩阵通常用于描述特征之间的关系，例如在数据标准化和特征选择中，以及在高斯朴素贝叶斯分类器和线性判别分析等算法中的应用。找近似的线性函数，首先定义一个损失函数，然后使用。
2023-11-01 21:05:16
89
原创 Homework1
总之，MLE和MAP都是参数估计方法，但它们的核心区别在于是否考虑参数的先验分布以及如何处理参数的不确定性。如果有充分的先验信息，并且希望考虑参数的不确定性，那么MAP估计可能更合适；否则，MLE估计通常是一个合理的选择。MLE（最大似然估计）和MAP（最大后验概率估计）是统计和机器学习中常用的两种参数估计方法，它们在一些方面有相似之处，但也有明显的区别。这里特征词的提取只是提取了部分，采用上面两种提取特征词的方法结果会更准确。可以将数据集的内容按照这样的形式放到一个名为 paper 的文本文件中。
2023-11-01 21:02:24
73
原创 Git实操
这个命令用于将一个远程 Git 仓库与本地的 Git 仓库关联起来，通常用于建立一个连接，使可以与远程仓库进行协作、推送和拉取代码等操作。：如果问题仍然存在，尝试删除旧的SSH密钥，并生成一个新的密钥对，然后将新生成的公钥添加到GitHub帐户中。的本地分支，并将其关联到远程仓库上的一个同名分支（如果该分支不存在，则会创建）。命令，可以快速查看和验证与远程仓库的连接和配置，以确保的 Git 仓库与远程仓库的交互是正确配置的。如果不提供远程仓库名称，它将显示所有远程仓库的信息。
2023-11-01 20:26:18
104
原创 顺序表（C++实现）
在f2函数中，我们可以使用lambda表达式或者std::bind将f1函数绑定到函数对象上，并将这个函数对象作为参数传递给for_each算法，从而实现在f2函数中调用f1函数。注意，在lambda表达式或者std::bind中，必须将当前对象的指针通过this传递进去，以确保能够调用类的成员函数。对于全局函数，因为它们不属于类的一部分，也没有成员变量可以被限制为只读，在全局函数中使用 const 关键字是无效的。
2023-05-30 19:18:42
1708
1
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人