- 博客(20)
- 收藏
- 关注
RSS订阅原创 机器学习笔记(五)——主成成分分析PCA
主成分分析PCA介绍PCA要做的是找到一个方向向量（Vector direction)，当把所有的数据都投射到该向量上时，希望投射平均均方误差能尽可能地小。方向向量是一个经过原点的向量，而投射误差是从特征向量向该方向向量作垂线的长度。若将nnn维数据降至kkk维，目标是找到向量u(1)u^{(1)}u(1)，u(2)u^{(2)}u(2)，...,u(n)...,u^{(n)}...,u(n)，使得总的投射误差最小。下图中的误差是指：每个点与二维平面上对应投影点之间的距离。总的来说，PCA是要寻
2022-05-03 20:27:58
820
2
原创 机器学习笔记(四)——支持向量机SVM
支持向量机SVM逻辑回归hθ(x)=11+e−θTx(1)h_{\theta}(x)=\frac{1}{1+e^{-\theta^{T} x}} \tag{1}hθ(x)=1+e−θTx1(1)Ify=1,we want hθ(x)≈1,θTx≫0Ify=0,we want hθ(x)≈0,θTx≪0(2)\text{If} \quad y=1, we \,\,\, want \,\,\, h_{\theta}(x) \approx 1, \quad \theta^{T} x
2022-04-30 21:13:44
937
原创 机器学习笔记(三)——模型评估及正则化
模型评估及正则化误差计算对于线性回归模型，误差计算公式如下。err(θ)=12m∑i=1m(hθ(x(i))−y(i))2(1)\text{err}(\theta)=\frac{1}{2 m} \sum_{i=1}^{m}\left(h_{\theta}\left(x^{(i)}\right)-y^{(i)}\right)^{2} \tag{1}err(θ)=2m1i=1∑m(hθ(x(i))−y(i))2(1)对于逻辑回归模型，可以使用错误分类比率计算误差。err(hθ(x)
2022-04-29 12:20:55
1185
原创 Python 函数参数引用(传值传址)
Python 函数参数引用(传值/传址)传值/传址传值：函数传入参数被改变后不会改变主函数中变量的值传址：函数传入参数被改变后会改变主函数中变量的值Python中的传值/传址Python是不允许程序员选择采用传值还是传址的。Python参数传递采用的肯定是“传对象引用”的方式。实际上，这种方式相当于传值和传址的一种综合。如果函数收到的参数对象不可变（例如：数字、字符或元组），就不能直接修改原对象——相当于传值。如果函数收到的参数对象可变（例如：字典或列表），就可以直接修改原对象——相当于传址。
2022-04-27 20:55:32
3533
原创 python异步多线程
Python异步多线程首先，我们需要先明白同步和异步的区别：同步：同步是指一个进程在执行某个请求的时候，如果该请求需要一段时间才能返回信息，那么这个进程会一直等待下去，直到收到返回信息才继续执行下去。异步：异步是指进程不需要一直等待下去，而是继续执行下面的操作，不管其他进程的状态，当有信息返回的时候会通知进程进行处理，这样就可以提高执行的效率了，即异步是我们发出的一个请求，该请求会在后台自动发出并获取数据，然后对数据进行处理，在此过程中，我们可以继续做其他操作，不管它怎么发出请求，不关心它怎么处理数据
2022-04-27 20:34:26
5924
原创 # 机器学习笔记(二)——手动编写神经网络前向反向传播
机器学习笔记(二)——手动编写神经网络前向/反向传递前向传递\qquad前向传递的原理非常容易，如下图所示。a1(2)=g(Θ10(1)x0+Θ11(1)x1+Θ12(1)x2+Θ13(1)x3)a2(2)=g(Θ20(1)x0+Θ21(1)x1+Θ22(1)x2+Θ23(1)x3)a3(2)=g(Θ30(1)x0+Θ31(1)x1+Θ32(1)x2+Θ33(1)x3)hΘ(x)=g(Θ10(2)a0(2)+Θ11(2)a1(2)+Θ12(2)a2(2)+Θ13(2)a3(2))(1)\begin
2022-04-26 17:10:15
1143
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人