- 博客(8)
- 资源 (11)
- 收藏
- 关注
原创 __len__和__getitem__
示例代码import collectionsCard = collections.namedtuple('Card', ['rank', 'suit'])class FrenchDeck:ranks = [str(n) for n in range(2, 11)] + list('JQKA')suits = 'spades diamonds clubs hearts'.split()d...
2018-10-22 17:25:35 390
原创 朴素贝叶斯
朴素贝叶斯法是典型的生成学习方法.生成方法由训练数据学习联合概率分布P(X,Y),然后求得后验概率分布P(Y | X).具体来说, 利用训练数据学习P(X[Y)和P(Y)的估计,得到联合概率分布:概率估计方法可以是极大似然估计或贝叶斯估计:朴素贝叶斯法的基本假设是条件独立性,这是一个较强的假设. 由于这- ~假设, 模型包含的条件概率的数量大为减少,朴素贝叶斯法的学习与预测...
2018-10-19 13:44:35 219
转载 Lp距离, L1范数, 和 L2范数
原文地址:https://blog.csdn.net/hanhuili/article/details/52079590
2018-10-18 17:49:19 3351 1
原创 k近邻法与kd树总结
k近邻法是基本且简单的分类与回归方法. k近邻法的基本做法是:对给定的训练实例点和输入实例点,首先确定输入实例点的k个最近邻训练实例点,然后利用这k个训练实例点的类的多数来预测输入实例点的类.k近邻模型对应于基于训练数据集对特征空间的一一个划分. k近邻法中,当训练集、距离度量、k值及分类决策规则确定后,其结果唯~ -确定.k 近邻法三要素:距离度量、k值的选择和分类决策规则,常...
2018-10-18 15:34:47 344
原创 感知机学习总结
文章大量摘自《统计学习方法》李航感知机是根据实例的特征向量xxx对其进行二分类的线性分类模型:f(x)=sign(w⋅x+b)f(x)=sign(w·x+b)f(x)=sign(w⋅x+b)感知机模型对应输入空间(特征空间)中的分离超平面w⋅x+bw·x+bw⋅x+b。感知机的学习策略是极小化损失函数:minw,bL(w,b)=−∑xi∈Myi(w⋅x+b)\underset...
2018-10-10 11:06:23 489
原创 树莓派创建wifi热点并开机自启
1.创建热点创建WiFi热点使用的GitHub上一个开源项目: https://github.com/oblique/create_ap #将代码copy到本地,安装sudo git clone https://github.com/oblique/create_apcd create_apsudo make install #安装依赖的库sudo apt-get instal...
2018-10-05 16:03:05 9913 4
原创 设置 jupyter notebook 可远程访问
1. 生成一个 notebook 配置文件默认情况下,配置文件 ~/.jupyter/jupyter_notebook_config.py 并不存在,需要自行创建。使用下列命令生成配置文件:jupyter notebook --generate-configWriting default config to: /root/.jupyter/jupyter_notebook_config.p...
2018-10-05 12:11:30 3914
转载 树莓派3B+ 安装系统
树莓派3B+ 安装系统 对于树莓派3B+ 系统安装方法有很多,我就介绍比较普通的一种。适合小白操作! 安装概要步骤: 官网下载系统-》刷入TF卡-》设置开启显示器和SSH-》通电-》进入系统1. 进入官方网站下载系统镜像。 下载页面:https://www.raspberrypi.org/downloads/ ...
2018-10-04 04:21:24 13063 2
pandas官方原版教程离线html版
2019-04-30
人脸聚类算法讲解(含原论文)
2019-04-24
flume 1.8基本概念+官方文档
2018-10-23
集成学习方法汇总讲稿
2018-10-16
基于用户历史位置的用户相似度度量
2018-09-11
神经网络模型python模板
2018-08-19
高级任务管理器(包含32位和64位)
2018-06-12
oracle数据库自动备份脚本带说明
2018-06-12
网页上调用PC上程序的示例
2018-06-12
程序员离职申请书范文
2018-06-12
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人