AwesomeDong的博客

无监督聚类学习 EM主要流程：初始化参数 —>> 观察预期结果 —>> 存在误差？重新估计参数极大似然估计

关联算法基本概念支持度：每个商品（商品组合）在总体购物小票中的出现概率： Supporti=Countsales(i)Countall−salesSupport_i = \frac{Count_{sales(i)}}{Count_{all-sales}}Supporti​=Countall−sales​Countsales(i)​​置信度：当某一商品（商品组合） j 购买时，另一个其他商品（商品组合） i 会购买的概率： Confidence(i∣j)=Countsales(i,j)Coun

KMeansKMeans属于无监督（即无标签）聚类算法，在不知道数据没有具体的划分标准时，通过物以类聚的方法，将相似数据放在一起。一、源码流程（一）首先随机生成一堆数据 [x,y][x,y][x,y]，尝试将这些数据进行聚类import randomimport matplotlib.pyplot as pltpoints_num = 100random_x = [random.randint(-100, 100) for _ in range(points_num)]random_y =

朴素贝叶斯分类器（Navie Bayes）一、原理：贝叶斯原理（基于条件概率、全概率公式的贝叶斯公式）已知类别概率：∑i=1nCi=1 \sum^n_{i=1}{C_i = 1} i=1∑n​Ci​=1已知属性概率：∑j=1mAj=1 \sum^m_{j=1}{A_j = 1} j=1∑m​Aj​=1求：在 AjA_jAj​ 组合发生时，CiC_iCi​的概率。P(Ci∣A1⋯Am)=P(A1⋯Am∣Ci)⋅P(Ci)P(A1⋯Am)=∑i=1nP(A1⋯Am⋅Ci) P(C_i|A_1 \cdo

Github:AwesomeDone