langka9的博客

https://blog.csdn.net/u012897374/article/details/74999940

https://www.jianshu.com/p/1db7404689c5

https://blog.csdn.net/zqx951102/article/details/83177370?depth_1-utm_source=distribute.pc_relevant.none-task-blog-OPENSEARCH-1&utm_source=distribute.pc_relevant.none-task-blog-OPENSEARCH-1

机器学习解决问题的流程：http://blog.csdn.net/han_xiaoyang/article/details/50469334https://www.linkedin.com/pulse/approaching-almost-any-machine-learning-problem-abhishek-thakur/xgboost：https://github.com/dmlc/...

https://blog.csdn.net/fenghuibian/article/details/91353348?depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromBaidu-6&utm_source=distribute.pc_relevant.none-task-blog-BlogComm...

https://blog.csdn.net/jinping_shi/article/details/52433975

四、Softmax回归解决多分类问题。1. 换个思路推导出softmax函数在《回归算法（二）：逻辑回归》中提到，P(yi=1|xi)依赖于exp(wxi)，用一个参数向量w来推测yi属于1的概率，exp(wxi)大则说明yi属于1的概率大，exp(wxi)小则说明yi属于1的概率小；只不过在二分类问题中，yi属于1的概率小，则yi不属于1，而属于另一类（yi=0）。但在多分类问题...

三、逻辑回归解决二分类问题。

以下所说的样本数量是 M，特征数量是 N一、一元线性回归模型输出：；w是特征权重，b是偏置参数如何拟合出最佳的曲线：最小化即可。以上是高中知识。二、多元线性回归模型输出：公式转换：记住这个结论：累加可以变成一个行向量x列向量。对下面的公式推导很有帮助。为了让公式更加简洁，为什么不把b放进向量里呢？于是有：得：所以有：如何拟合出最佳曲线...

1. 什么是决策树？根据一系列特征，最终决定结果的树，叫做决策树。2. 如何构建决策树？方案一：ID3算法首先，说明一些重要公式：信息量： 信息熵： 信息熵期望：；s是未分裂前的节点，sj是按照属性 V 分裂后属于各属性值 j 的节点信息熵是事物不确定性的度量标准。信息熵越大，不确定性越大，混乱程度越大。算法流程：（1）给定样本，先将特征离散化...

分类预测类别 y1 y2 实际类别 y1 C11 C12 y2 C21 C22 准确度精确率召回率F值β越小，越倾向于精确率；β越大，越倾向于精确率和召回率的混合。最常见是β=1，此时就是常见的AUC欢迎转载，转载请标明出处。...

Kmeans聚类1. 层次聚类 vs 非层次聚类 不同类之间有无包含关系2. 硬聚类 vs 软聚类 硬聚类：每个对象只属于一个类 软聚类：每个对象以概率属于某个类。比如：样本1：A-0.8，B-0.1，C-0.13. 各样本之间的距离 ① 将特征向量化，每个样本表示为高维空间的一个点 ② 计算各个点之间的距离（距离与相似度成反比）...

机器学习评测标准：AUCAUC的解释：正样本排在负样本之前的概率 ROC曲线与FP_rate围成的面积【ROC曲线：横坐标是FP_rate（假正率），纵坐标是TP_rate（假负率）】要求解AUC避免不了要画ROC，实质上只是求出ROC各点的坐标，那如何画ROC曲线呢？将样本按照预测分数从大到小排列：sample label predict 1 1 ...

用文章分类解释一下朴素贝叶斯公式：X：文章 ----->xj：文章的词 将P(X)转换成P(xj)，即P(X)是特征词在词库中出现的概率 P(yi)：这个类别的先验概率 P(xj|yi)：在yi类别的文章中xj这个特征词出现的概率 P(yi|X)：在这些词的前提下，文章属于类别yi的概率如何判断这篇文章是属于yi还是y2？比较P(y1|X)和P(y2|X)...