IT届的小学生

文章目录矩阵乘法，星乘(*)和点乘(.dot)的区别1.基本示例2. 总结python实现余弦相似度java实现余弦相似度矩阵乘法，星乘(*)和点乘(.dot)的区别1.基本示例import numpya = numpy.array([[1,2], [3,4]])b = numpy.array([[5,6], [7,8]...

一. 概念解释PDF：概率密度函数（probability density function）, 在数学中，连续型随机变量的概率密度函数（在不至于混淆时可以简称为密度函数）是一个描述这个随机变量的输出值，在某个确定的取值点附近的可能性的函数。PMF : 概率质量函数（probability mass function), 在概率论中，概率质量函数是离散随机变量在各特定取值上的概率。CD...

python科学计算包的基础是numpy, 里面的array类型经常遇到. 一开始可能把这个array和python内建的列表(list)混淆, 这里简单总结一下列表(list), 多维数组(np.ndarray)和矩阵(np.matrix)的区别.numpyNumPy的主要对象是同种元素的多维数组。这是一个所有的元素都是一种类型、通过一个正整数元组索引的元素表格(通常是元素是数字)。...

问题：如何将array保存到txt文件中？如何将存到txt文件中的数据读出为ndarray类型？python如何保存矩阵，保存matrix,保存numpy.ndarraypython中list、array、matrix之间的基本区别:直通车分析a = np.arange(0,12,0.5).reshape(4,-1) np.savetxt("a.txt", a) # 缺省按照'...

在了解贝叶算法前：要有一定的概率与数理统计基础以及注意事项条件概率首先，理解这两个公式的前提是理解条件概率，因此先复习条件概率。 P(A|B)=P(AB)P(B)P(A|B)=P(AB)P(B)P(A|B) ={ P(AB)\over P(B)}那么由条件概率出发，看一下变形出来的乘法公式： P(AB)=P(A)⋅P(B|A)=P(B)⋅P(A|B)P(AB)=P(A)⋅P(...

scv 函数class sklearn.svm.SVC(C=1.0, kernel=’rbf’, degree=3, gamma=’auto’, coef0=0.0, shrinking=True, probability=False, tol=0.001, cache_size=200, class_weight=None, verbose=False, max_iter=-1, deci...

Pearson Similiarity皮尔森相关系数（Pearson correlation coefficient）也叫皮尔森积差相关系数（Pearson product-moment correlation coefficient），是用来反应两个变量相似程度的统计量。或者说可以用来计算两个向量的相似度（在基于向量空间模型的文本分类、用户喜好推荐系统中都有应用）。 皮尔森相关系数计算公式...

久前微软 DMTK (分布式机器学习工具包)团队在 GitHub 上开源了性能超越其他 boosting 工具的 LightGBM 知乎上有近千人关注“如何看待微软开源的 LightGBM？”问题，被评价为“速度惊人”，“非常有启发”，“支持分布式”，“代码清晰易懂”，“占用内存小”等。GBDT ：　　GBDT (Gradient Boosting Decision Tree) 是机...

AdaBoost:提高那些被前一轮弱分类器错误分类样本的权值，而降低那些被正确分类样本的权值。这样一来，那些没有得到正确分类的数据，由于其权值的加大而受到后一轮的弱分类器的更大关注，于是，分类问题就被一系列的弱分类器“分而治之”。至于第二个问题，即弱分类器的组合，AdaBoost采取加权多数表决的方法。具体地，加大分类误差率小的弱分类器的权值，使其在表决中起较大的作用，减小分类误差率较大的弱分类器...

首先生成数据样本如下：#!usr/bin/env python#_*_ coding:utf-8 _*_import numpy as npimport matplotlib.pyplot as pltfrom sklearn import datasetsX1, y1=datasets.make_circles(n_samples=5000, factor=.6,noise=....

通过sklearn 实现babel 编码，之后进行xgboost预测。 LabelEncoder() 更多编码操作可以参考：链接直通车from sklearn.preprocessing import LabelEncoderfrom sklearn.model_selection import train_test_splitimport xgboost as xgbimport ...

**2018博客之星评选，如果喜欢我的文章，请投我一票，编号：No.009**  [支持连接](https://blog.csdn.net/HHTNAN/article/details/85330758) ,万分感谢！！！  基础知识   二项分布有两个参数，一个 n 表示试验次数，一个 p 表示一次试验成功概率。现在考虑一列二项分布，其中试验次数 n 无限增加，而 p 是 n 的函数。...

基础内容：这里只是准备简单谈谈基础的内容，主要参考一下别人的文章，对于随机森林与GBDT，有两个地方比较重要，首先是information gain，其次是决策树。这里特别推荐Andrew Moore大牛的Decision Trees Tutorial，与Information Gain Tutorial。Moore的Data Mining Tutorial系列非常赞，看懂了上面说的两个内容之后的...

LDA，其实有两种含义，一种是统计学中的分析方法：线性判别分析（Linear Discriminant Analysis），一种概率主题模型：隐含狄利克雷分布（Latent Dirichlet Allocation，简称LDA）,本文阐述后者。      LDA（Latent Dirichlet Allocation）是一种文档主题生成模型，也称为一个三层贝叶斯概率模型，包含词、主题和文档三层

在对平面媒体的广告价值进行研究的过程中，主要考虑四个方面的因素：一、媒体的受众规模；二、媒体的受众构成；三、媒体对受众影响力；四、广告主对媒体的接受度。影响媒体广告价值的因素还有很多，相互作用也非常复杂，因此，在操作过程中，采用一种创新性的研究模式——开元因子加成分析法，从而使研究结果更全面、客观和科学。 必备成员 1 一批优秀的市场研究人

递归函数在函数内部，可以调用其他函数。如果一个函数在内部调用自身本身，这个函数就是递归函数。(1) 递归就是在过程或函数里调用自身。(2) 在使用递归策略时，必须有一个明确的递归结束条件，称为递归出口。递归一般用于解决三类问题：　  (1)数据的定义是按递归定义的。（n的阶乘）　  (2)问题解法按递归实现。（回溯）　  (3)数据的结构形式是按递归定义的。（二叉树的遍历，图的

常用对照：NLPCRF算法: 中文名称条件随机场算法，外文名称conditional random field algorithm，是一种数学算法，是2001年提出的，基于遵循马尔可夫性的概率图模型。全部对照第一部分、计算机算法常用术语中英对照 Data Structures 基本数据结构 Dictionaries 字典 Priority Queues 堆 Graph Data

sigmoid Sigmoid函数，即f(x)=1/(1+e-x)。是神经元的非线性作用函数。 2. 函数：1.1 从指数函数到sigmoid​ 首先我们来画出指数函数的基本图形：​ 从上图，我们得到了这样的几个信息，指数函数过(0,1)点，单调递增/递减，定义域为(−∞,+∞)，值域为(0,+∞)，再来我们看一下sigmoid函数的图像：​ 如果直接把e−x放到分母上，就与ex图像一样了，所以

使用递归实现全排列。123实现全排列！ 法1： 上面定义了两个列表，一个列表存的是需要全排列的数据，另一个列表是当做栈来用的，可以把这个递归想成一棵树，在最顶端是包含所有值得列表，之后从这个列表中循环拿掉一个值，到了第二层，这时候栈里面存放的就是拿出来的那个数据，这一层的一个值里面就少了刚刚拿掉的值，一直到最后这个列表为空的时候，栈里面存的就是这个排列的结果，#!/usr/bin/env p

决策树分类算法概述 决策树算法是从数据的属性（或者特征）出发，以属性作为基础，划分不同的类。 看了本书，叫知识发现，内容很好，果断扫描 这里写图片描述 上面有不懂的欢迎留言！

在前面的博客已经介绍过多元回归模型，现在这里粗略介绍如下 python 实现案例1、选取数据 执行代码#!usr/bin/env python#_*_ coding:utf-8 _*_import pandas as pdimport seaborn as snsimport matplotlib.pyplot as pltimport matplotlib ...

sklearn.model_selection.train_test_split随机划分训练集和测试集 官网文档： 一般形式： train_test_split是交叉验证中常用的函数，功能是从样本中随机的按比例选取train data和testdata，形式为： X_train,X_test, y_train, y_test = cross_validation.train_test_sp

特征缩放实际当我们在计算线性回归模型的时候，会发现特征变量x，不同维度之间的取值范围差异很大。这就造成了我们在使用梯度下降算法的时候，由于维度之间的差异使得Jθ的值收敛的很慢。我们还是以房价预测为例子，我们使用2个特征。房子的尺寸（1~2000），房间的数量（1-5）。以这两个参数为横纵坐标，绘制代价函数的等高线图能看出整个图显得很扁，假如红色的轨迹即为函数收敛的过程，会发现此时函数收敛的非常慢。

K-means算法： 关于步骤：参考之前的博客 关于代码与数据：暂时整理代码如下：后期会附上github地址，上传原始数据与代码完整版， 各种聚类算法的对比：参考连接Kmeans算法的缺陷1.聚类中心的个数K 需要事先给定，但在实际中这个 K 值的选定是非常难以估计的，很多时候，事先并不知道给定的数据集应该分成多少个类别才最合适 2.Kmeans需要人为地确定初始聚类中心，

1.随机森林原理介绍 随机森林，指的是利用多棵树对样本进行训练并预测的一种分类器。该分类器最早由Leo Breiman和Adele Cutler提出，并被注册成了商标。简单来说，随机森林就是由多棵CART（Classification And Regression Tree）构成的。对于每棵树，它们使用的训练集是从总的训练集中有放回采样出来的，这意味着，总的训练集中的有些样本可能多次出现在一棵