- 博客(6)
- 收藏
- 关注
RSS订阅原创 Leetcode - 两数之和
描述 给定一个整数数组和一个目标值，找出数组中和为目标值的两个数 你可以假设每个输入只对应一种答案，且同样的元素不能被重复利用。 示例: 给定 nums = [2, 7, 11, 15], target = 9 因为 nums[0] + nums[1] = 2 + 7 = 9 所以返回 [0, 1]Python代码实现class Solution:...
2018-08-19 23:04:12
103
原创 逻辑回归学习及实现
逻辑回归原理 将样本的特征与样本的概率联系起来，通过概率来判定所属分类；先构建多元线性方程y，然后将y带入阶跃函数(step function)sigmoid，转化成求分类概率的问题(一般概率大于0.5分类为1，小于0.5分类为0),而Logistic回归的目的是寻找一个非线性函数Sigmoid的最佳拟合参数，求解过程可以由最优化 算法来完成。在最优化算法中，最常用的就是梯度上升(下降)算...
2018-08-18 14:37:37
368
原创 梯度下降法学习及实现
什么是梯度下降法 梯度下降法不是一种机器学习算法，而是一种基于搜索的最优化方法。 梯度下降法的作用在于最小化损失函数(目标函数) 与梯度下降法相对的是梯度上升法，梯度上升法在于最大化一个效用函数(目标函数) ⋆⋆\star使用梯度下降法之前，最好对数据进行归一化（正规化）处理。图解 ηη\eta成为学习率(learning rate) ηη\e...
2018-08-17 19:06:50
329
原创 线性回归学习及实现
线性回归学习及实现线性回归的原理 用一条直线来拟合数据样本，求得该直线的回归系数，这个过程就叫做回归，然后将回归系数带入直线回归方程，最后将待预测数据带入回归方程得到预测结果。线性回归的优缺点 优点:结果易于理解，计算上不复杂。 缺点:对非线性的数据拟合不好。 适用数据类型:数值型和标称型数据。线性回归算法分析 1.假设样本数据拟...
2018-08-16 16:53:17
340
原创 数据特征归一化(Feature Scaling)学习及实现
为什么需要特征归一化 不同特征指标往往具有不同的量纲和量纲单位，这样的情况会影响到数据分析的结果，为了消除指标之间的量纲影响，需要进行数据标准化处理，以解决数据指标之间的可比性。原始数据经过数据标准化处理后，各指标处于同一数量级，适合进行综合对比评价。常用的两种归一化方法最值归一法（normaization）: 最值归一法将数据映射到0-1之间。 适用于分布有...
2018-08-14 17:37:55
1331
原创 K-近邻算法学习及简单实现
K-近邻算法学习及实现K-近邻原理 K-近邻算法采用测量不同特征值之见的距离方法进行分类。 将新数据与已知数据集(带标签)的每个样本数据进行对比(采用距离)，然后算法提取出最相近的K个样本的分类标签，最相似的的k个样本对应标签出现次数最多的分类，作为新数据的分类。k-近邻算法优缺点 优点：精度高，对异常值不敏感，无数据输入假定 缺点：计算复杂度...
2018-08-14 14:21:27
214
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