2017年04月_不负韶华T

转载 Matlab的mapminmax函数说明

几个要说明的函数接口:[Y,PS] = mapminmax(X)[Y,PS] = mapminmax(X,FP)Y = mapminmax('apply',X,PS)X = mapminmax('reverse',Y,PS)用实例来讲解,测试数据 x1 = [1 2 4], x2 = [5 2 3];>> [y,ps] = mapminmax(x1)y =

2017-04-30 00:11:31 6750

转载 bp

转自博客园@编程De： http://www.cnblogs.com/jzhlin/archive/2012/07/28/bp.html从神经网络的生物模型说起我们知道人大脑信息的传递、对外界刺激产生反应都由神经元控制的，人脑就是由上百亿个的这样神经元构成。这些神经元之间并不孤立而且联系很密切，每个神经元平均与几千个神经元相连接，因此构成了人脑的神经网

2017-04-29 21:20:51 369

转载 Matlab绘图-很详细，很全面

Matlab绘图强大的绘图功能是Matlab的特点之一，Matlab提供了一系列的绘图函数，用户不需要过多的考虑绘图的细节，只需要给出一些基本参数就能得到所需图形，这类函数称为高层绘图函数。此外，Matlab还提供了直接对图形句柄进行操作的低层绘图操作。这类操作将图形的每个图形元素（如坐标轴、曲线、文字等）看做一个独立的对象，系统给每个对象分配一个句柄，可以通过句柄对该图形元素进行操作，而

2017-04-29 16:04:41 3215

原创感知机数据算法的对偶形式

（1，1）*是x那3个2维向量具体计算得知。所以可以求得对偶感知机模型：和感知机的原始形式一样，对偶形式也是收敛的，可以存在多个解，这既依赖于初值的选择，也依赖于迭代过程中误分类点的选择顺序，如果想得到唯一的超平面，需要对分离超平面增加约束条件，而这就是线性支持向量机的想法。在进行感知学习时，当训练集线性不可分时，感知机的学习算法也不会收敛，迭代结果会发生震荡。

2017-04-27 22:16:22 1556

原创感知机

感知机算法处理的数据必须是线性可分的，否则无法停下来算法：While (True) { Bool flag = False ForI in N If Yi * (W内积Xi) W= W + YiXi flag =

2017-04-27 15:39:12 279

转载分类系列之感知器学习算法PLA 和口袋算法Pocket Algorithm

我们有一堆数据，默认他们是线性可分的。定义f为这个数据分割线的最优解，但是我们不知道他的值。我们仅有一个函数集H，这个函数一般是无穷大的。我们的目的就是从H中找出一条线g来尽可能的接近f。但是，我刚刚说了，H内的函数一般是无穷多的，我们不可能把H中的函数一一比较，得到最好的分割线g吧！！！不过伟大的科学家就说，我们的目的不就是找出一条线把这些数据都分开吗！！那我随机的初始化

2017-04-26 23:11:03 572

转载支持向量机通俗导论（理解SVM的三层境界）

支持向量机通俗导论（理解SVM的三层境界）前言动笔写这个支持向量机(support vector machine)是费了不少劲和困难的，原因很简单，一者这个东西本身就并不好懂，要深入学习和研究下去需花费不少时间和精力，二者这个东西也不好讲清楚，尽管网上已经有朋友写得不错了(见文末参考链接)，但在描述数学

2017-04-26 15:26:12 290

转载 SVM-支持向量机算法概述

（一）SVM的背景简介支持向量机(Support Vector Machine)是Cortes和Vapnik于1995年首先提出的，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[10]。支持向量机方法是建立在统计学习理论的VC 维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性（即对特定训练样本的学习精度，Ac

2017-04-25 19:03:34 290

转载模型选择与特征选择

1 问题模型选择问题：对于一个学习问题，可以有多种模型选择。比如要拟合一组样本点，可以使用线性回归，也可以用多项式回归。那么使用哪种模型好呢（能够在偏差和方差之间达到平衡最优）？还有一类参数选择问题：如果我们想使用带权值的回归模型，那么怎么选择权重w公式里的参数？形式化定义：假设可选的模型集合是，比如我们想分类，那么SVM、logistic回归、神经网络

2017-04-24 23:36:42 4951

转载 PCA的数学原理(非常值得阅读)！！！！

PCA（Principal Component Analysis）是一种常用的数据分析方法。PCA通过线性变换将原始数据变换为一组各维度线性无关的表示，可用于提取数据的主要特征分量，常用于高维数据的降维。网上关于PCA的文章有很多，但是大多数只描述了PCA的分析过程，而没有讲述其中的原理。这篇文章的目的是介绍PCA的基本数学原理，帮助读者了解PCA的工作机制是什么。当然我并不打算把文章写成

2017-04-24 14:04:34 348

转载 auc

1 ROC曲线和auc从二分类说起，假设我们的样本全集里，所有样本的真实标签（label）为0或1，其中1表示正样本，0表示负样本，如果我们有一个分类模型，利用它对样本进行了标注，那边我们可以得到下面的划分　　 truth　　 10predictor

2017-04-16 21:56:31 591