机器学习
ithinking110
这个作者很懒,什么都没留下…
展开
-
k均值聚类
机器学习之k均值聚类什么是聚类K均值聚类过程怎么样设置 合理的K 值欧式距离:曼哈顿距离:切比雪夫距离余弦距离(Cosine Distance)python 实现参考文献什么是聚类所谓聚类算法是指将一堆没有标签的数据自动划分成几类的方法,属于无监督学习方法 。监督学习 有特征 有标签 。 无监督学习 只要特征没有标签 。 查看两者的区别在这里。如下图:将所有的数据 展示如下, 只有变量...原创 2019-12-16 18:12:32 · 4065 阅读 · 1 评论 -
机器学习之SVM
机器学习之SVM 引言什么是SVM求解 支持向量 所在的这条线引言SVM 是机器学习中比较重要的一种 分类方法。 网上各种博客讲的也非常多 ,我转载几遍写的比较好的过来 ,并写下自己的心得 。而且本文不想从公式着手分析,简单来说 就是非常复杂 当你入门后在回来看公式也可以 。上公式了很多人 就放弃了。什么是SVM原文在这里近来,了解了一下SVM(支持向量机 support vec...原创 2019-12-13 17:48:19 · 1023 阅读 · 0 评论 -
机器学习之线性回归缩减维度
机器学习之线性回归缩减维度 什么叫高维数据?维数膨胀数据降维Lasso前向逐步回归法前向逐步回归法代码实现前向逐步回归法 缩减参数参考文献什么叫高维数据?如上图 前面 我们求解线性回归的时候 列举的一个例子。这个例子中:房子的面积, 房间的数量 , 楼间距, 离学校的距离 我们的数据 从这四个维度取例 ,也称为数据的维度。下面的每一行 表示一个 房子的样本 。 样本可以有N ...原创 2019-12-09 16:38:39 · 1570 阅读 · 1 评论 -
机器学习之局部加权,岭回归
机器学习之线性回归遇到的问题 问题过拟合 和欠拟合奇异矩阵问题局部加权过拟合欠拟合局部加权公式:python 实践:岭回归矩阵的知识python 实现问题前面教程我们已经讲了 怎么样求解 y = Q *X 的过程 。过拟合 和欠拟合但是当数据量较小的时候 会遇到 这样的问题: 过拟合 和欠拟合奇异矩阵问题 这个矩阵当没有 逆矩阵的时候怎么样求解。局部加权局部加权线...原创 2019-12-04 18:10:39 · 598 阅读 · 0 评论 -
机器学习之逻辑回归来龙去脉
机器学习之逻辑回归 公式推导线性回归 和逻辑回归线性回归逻辑回归sigmod函数损失函数:均方差最大似然估计转换成概率问题最大似然估计用极大似然估计 求参数 W梯度函数线性回归 和逻辑回归 逻辑回归 也是求解分类问题。线性回归前面我们讲了 线性回归 其实就是 求出一条直线 尽量的让所有的数据 离这条直线 距离最小 。 来了新的数据 根据 这条直线去预测。一般是求解 连续...原创 2019-12-04 10:31:16 · 427 阅读 · 0 评论 -
机器学习之线性回归
机器学习之线性回归分类 回归区别线性回归损失函数多维变形参考文献分类 回归区别假设线性回归是个黑盒子,那按照程序员的思维来说,这个黑盒子就是个函数,然后呢,我们只要往这个函数传一些参数作为输入,就能得到一个结果作为输出。那回归是什么意思呢?其实说白了,就是这个黑盒子输出的结果是个连续的值。如果输出不是个连续值而是个离散值那就叫分类。那什么叫做连续值呢?非常简单,举个栗子:比如我告诉你我这里有间...原创 2019-11-29 17:49:44 · 273 阅读 · 0 评论 -
什么是人工智能 and 怎么学习它
什么是人工智能 and 怎么学习它 ?什么是人工智能?机器学习:深度学习:怎么学习重要的事情说三遍选择一个适合自己的方向去实践 :近几年人工智能大火了一把,很多都是炒作概念。弄的一些专业词也看着非常高大上,很多人都是望而却步。 找了很多方面的视频 和资料 发现都是博士视角讲解,数学功底比较弱的同学都感觉比较吃力。后面的我将会以本科生的视角给入门 nlp ,图像处理方向的专业知识。 其实在实际 ...原创 2019-11-22 15:49:11 · 275 阅读 · 0 评论 -
机器学习之决策树
机器学习之决策树人物 :克劳德·艾尔伍德·香农分类问题信息熵信息熵增益复杂点的实例参考文献决策树 也是用来给 数据做分类。人物 :克劳德·艾尔伍德·香农熵(entropy)指的是体系的混乱的程度,它在控制论、概率论、数论、天体物理、生命科学等领域都有重要应用,在不同的学科中也有引申出的更为具体的定义,是各领域十分重要的参量。熵由鲁道夫·克劳修斯(Rudolf Clausius)提出,并应用...原创 2019-11-27 11:55:01 · 229 阅读 · 0 评论 -
机器学习之朴素贝叶斯分类
机器学习之朴素贝叶斯 分类作用熟悉以前所学的概念公式条件 概率 解释:全概率公式解释:贝叶斯 公式 解释:朴素贝叶斯判断 垃圾还是正常代码实践作用贝叶斯 常用来做分类任务。比如 判断 垃圾邮件 ,拼写纠错 等任务。熟悉以前所学的概念S:S是样本空间,是所有可能事件的总和。P(A):是样本空间S中A事件发生的概率,维恩图中绿色的部分。P(B):是样本空间S中B事件发生的概率,维恩图中...原创 2019-11-29 15:14:37 · 284 阅读 · 0 评论