bijingrui的博客

bagging 民主，权重一样boosting 选优adaboost ada自适应：boost，计算wm

构建许多 决策树 都是弱分类器从样本中选取不同的部分 都给决策树去决断 然后训练 保存模型新样本 送入模型 去predict，最终汇总结果

　1、随机在图中取K（这里K=2）个中心点。　2、对图中的所有点求到这K个中心点的距离，假如点Pi离种子点Si最近，那么Pi属于Si点群。（上图中，我们可以看到A,B属于上面种子的点群，C,D,E属于下面种子的点群）　3、接下来，我们要移动中心点到属于他的“点群”的中心。（见图上的第三步），这里求中心的方法最简单的是直接将中心定为点群各个坐标的平均值 ，也可以参考下面三种求中心的方法。　4、然后重复第2）和第3）步，直到中心点没有移动（我们可以看到图中的第四步上面的中心点聚合了A,B,C，下面的...

https://www.bilibili.com/video/BV1N54y1q7bQ支持S 向量 V 机M目标：分类间隔 --最近点的 距离 越远越好

构建许多 决策树 都是弱分类器从样本中选取不同的部分 都给决策树去决断 然后训练 保存模型新样本 送入模型 去predict，最终汇总结果

一个训练集 过大，往往需要划分划分为1个：名称：batch梯度下降batch_size = m用整个训练集进行梯度下降划分成5个：名称：mini-batch梯度下降batch_size = 占1/5的量划分为m个：名称：随机梯度下降batch_size = 1一次对一个数据进行梯度下降epoch对整个训练集进行了一次梯度下降，即：所有的训练样本完成一次forward和backward propagation。对于划分为5个子集：就是上述的

划分数据集的示例当输入特征的维度低，可以自己划线，划分不同的数据集。当输入特征的维度很大（3维/几十维），如何做一个“超平面”，划分不同的数据集。# 一个蛋糕，切3刀 分成8等分，二维做不到，三维可以的！分类1.线性可分情况简述简述：找一个平面，向上向下平行移动该平面，使之擦过一些向量（支持向量），间距（margin）表示为d。方法目的：让d作为优化指标，使d尽可能大；取中间作为平面就行了；方法优点：只与支持向量有关，与其他向量无关，适用于小样本；.

参考资料浙江大学·研究生“机器学习”课程：https://www.bilibili.com/video/BV1dJ411B7gh （视频里面，西瓜书做为参考） 导学，我感觉比较适合初学者：https://www.bilibili.com/video/BV17J411C7zZ （对西瓜书进行导读、小总结） 看了"深度之眼·西瓜书训练营"，这个是属于公式推导&证明，属于加深学习。（有点偏！）直观感受看西瓜书的目的：就是为了知道 AI都有哪些方法，浅显过一遍就行了。...

打开 Anaconda Prompt 输入命令jupyter notebook --generate-config 打开C:/Users/你的账户/.jupyter/jupyter_notebook_config.py 修改 #c.NotebookApp.notebook_dir = '' 为 c.NotebookApp.notebook_dir = '你想要默认打开的文件夹' 开始菜单找到 jupyter notebook 快捷键，右键->更多->打开文件所在位置，找打快捷方式在文件.

对矩阵求导

若要使用Matplotlib绘图，为确保图形能顺利输出，需在cell开头键入%matplotlib inline模式切换命令模式，按Enter，光标进入cell，开始编辑模式编辑模式，按Esc，光标退出cell，开始命令模式2.2命令模式快捷键H：显示快捷键帮助F：查找和替换P：打开命令面板Ctrl-Enter：运行当前cellShift-Enter：运行当前cell并...

https://space.bilibili.com/88461692/channel/detail?cid=26587 有启发！这个视频告诉了我：隐藏层 具体这层负责干啥？其实不知道，没有想象的那么智能（负责哪小块问题）。或许是人类看不懂，但计算机能看懂的特征描述图片是如何输入神经网络的？图片，拉成列向量，数据在0~1之间（代表灰度值），是active，作为a0，是...