- 博客(8)
- 资源 (2)
- 收藏
- 关注
RSS订阅原创 【机器学习算法】K均值（K-means）
非监督算法是机器学习研究的一大领域，它适用于不带标签的样本数据，采取一定的算法，将样本分成自动分类成不同的簇。K均值（K-meas） K均值算法接收两个输入，一个是K，表示簇的数量，另一个是不带标签的训练集{x1,x2,..xmx_1,x2,..x_mx1,x2,..xm}。 算法过程如下：随机初始化K个聚类中心μ1,μ2,...μK\mu_1,\mu_2,...\mu_Kμ...
2018-12-31 15:20:09
657
原创 【机器学习算法】支持向量机SVM
线性可分 在二维平面中，正样本和负样本可以由一条直线完全隔开。假设存在直线y=ω1x+by=\omega_1 x+by=ω1x+b使得平面上ω1x+b≥0\omega_1 x+b\ge 0ω1x+b≥0处完全是正样本，ω1x+b<0\omega_1 x+b<0ω1x+b&
2018-12-31 13:35:17
396
原创 【机器学习】模型评估（precision、recall、f1，ROC）
偏斜类正类和负类的比例失衡，比如存在99%的正类和1%的负类，当算法的输出恒为1时，此时的错误率也只有1%，在这种情况下，并不能够很好地估计模型的泛化能力。定义TP（True Positive），表示模型预测为正样本，实际上为正样本。FP（False Positive），表示模型预测为正样本，实际上为负样本。FN（False Negative），表示模型预测为负样本，实际上为正样本T...
2018-12-27 10:28:58
2894
原创 【机器学习】如何改进机器学习的性能？
当我们的模型出现了过拟合，或者欠拟合的情况，如何处理？验证模型由于在训练样本中得到的训练误差，是不能够用来作为实际的泛化误差的，因此我们分割样本为训练集和测试集，在训练集上训练模型，在测试集上计算测试误差。在模型选择的过程中，我们通过比较不同模型的测试误差，选出一个测试误差最低的模型。然而这样也不能够公平地说明我们的模型推广到一般情况下的效果，因为我们选择了一个能够最好地拟合测试集的模型，...
2018-12-26 11:14:49
392
原创 【机器学习算法】BP神经网络
神经元模型输入x1,x2,x3，输出结果hθ(x)=11+e−θTxh_\theta(x)=\frac{1}{1+e^{-\theta^Tx}}hθ(x)=1+e−θTx1激活函数对于非线性函数g(z)的一个学术称呼。如之前学习过的h(x)=11+e−xh(x)=\frac{1}{1+e^{-x}}h(x)=1+e−x1就是一个激活函数，也叫做Sigmoid函数。输入层，隐藏层，输出...
2018-12-25 13:35:04
693
原创 【机器学习】欠拟合，过拟合的常见处理方法
过拟合（over-fitting）在算法对模型参数的学习过程中，如果模型过于强大，比如说，样本空间分布在一条直线的附近，那么我们的模型最好是一条直线，hθ(x)=θ0+θ1x1h_\theta(x)=\theta_0+\theta_1x_1hθ(x)=θ0+θ1x1。但我们并不知道数据的情况，可能我们的函数是这样的：hθ(x)=θ0+θ1x1+θ2x22+θ3x33h_\theta(x)...
2018-12-22 12:05:36
1262
原创 【机器学习算法推导】逻辑回归
逻辑回归(logistic regression)是分类算法的一种，通过形成决策边界，达到对数据进行分类的效果。算法思想逻辑回归中，以二分类为例，最终预测得到的是一个分类，也就是0或者1。若目标函数hθ=θ0+θ1x1+θ2x2+...+θnxnh_θ=θ_0+θ_1x_1+θ_2x_2+...+θ_nx_nhθ=θ0+θ1x1+θ2x2+...+θnxn，最终得到的值，往...
2018-12-21 15:14:24
297
原创 【机器学习算法推导】线性回归，L1L2正则
线性回归，主要用于从数据中拟合出一条直线（或更高维的平面），这条直线能够很好地体现数据的特征，比如，它能够使得平面上的点都均匀地分布在这条直线上。算法思想在简单线性回归中，我们的数据集拥有一定的参数和相应的输出，另x(i)x^{(i)}x(i)表示第i个数据的参数，y(i)y^{(i)}y(i)表示第i个数据的输出，令目标函数Hθ(x(i))=θ0+θ1x1+θ2x2+...+θnxnH_...
2018-12-19 21:48:09
475
使用scrapy框架爬取拉勾网数据
2017-09-02
基于SSH框架的简易博客系统
2017-05-08
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人