nowfuture的博客

逻辑回归类中实现了二分类、一对多分类，多项式逻辑回归。针对优化算法的解释如下：“lbfgs”, “sag” 和 “newton-cg” solvers （求解器）只支持 L2 惩罚项，对某些高维数据收敛更快。这些求解器的参数 `multi_class`设为 “multinomial” 即可训练一个真正的多项式 logistic 回归 [5] ，其预测的概率比默认的 “one-vs-rest...

转自： http://blog.csdn.net/suranxu007/ https://blog.csdn.net/suranxu007/article/details/49910323读完原创作者的这篇博客，对GBDT有了进一步的了解。GBDT包括三部分：regression decision tree ;  gradient boosting ;shinkage首先GBDT中的树...

X = train[column]y=(train["class"]-1).astype(int)tfid = TfidfVectorizer(use_idf = 1, smooth_idf = 1, sublinear_tf = 1, max_df = ...

转自：https://blog.csdn.net/ligang_csdn/article/details/53838743(很多讲逻辑回归的文章都没有给出详细的推导，只是列出最后的计算公式，今天在网上看到一篇解释得非常详细的文章，赶紧转载一下：【机器学习笔记1】Logistic回归总结(http://blog.csdn.net/dongtingzhizi/article/details/1...

（本文仅供自己参考，防止遗忘，想要了解更多得小伙伴请移步别的大神博客）首先从SVM得分类谈起：分为三类，第一个约束条件最强，最后一个约束最宽泛，如下：此时即可求出w,b。然后：一是因为原始问题转换为对偶问题更容易求解，二是为了自然的引入核函数，进而推广到非线性分类问题引入了拉格朗日乘子，构建拉格朗日函数。这样一来，就转换为求alpha的最大的问题，然后就不用求w,b...