Eminem1147的博客

from numpy import *import operatordef createDataBase(): group = array([[1.0, 1.1], [1.0, 1.0], [0, 0], [0, 0.1]]) labels = ['A', 'A', 'B', 'B'] return group, labelsdef classify0(inX,

CS231n 代码 + 笔记：我的GitHub

以下内容来自转载：Active LearningTwo Faces of Active Learning756, Dasgupta, 2011 Active Learning Literature Survey155, Settles, 2010   ApplicationsA Survey of Emerging Approaches to Spam Filtering157...

以下内容来自转载：1. 摘要EM（Expectation-Maximum）算法也称期望最大化算法，曾入选“数据挖掘十大算法”中，可见EM算法在机器学习、数据挖掘中的影响力。EM算法是最常见的隐变量估计方法，在机器学习中有极为广泛的用途，例如常被用来学习高斯混合模型（Gaussian mixture model，简称GMM）的参数；隐式马尔科夫算法（HMM）、LDA主题模型的变分推断等等。本...

以下来自转载：极大似然估计        以前多次接触过极大似然估计，但一直都不太明白到底什么原理，最近在看贝叶斯分类，对极大似然估计有了新的认识，总结如下：贝叶斯决策        首先来看贝叶斯分类，我们都知道经典的贝叶斯公式：        其中：p(w)：为先验概率，表示每种类别分布的概率；：类条件概率，表示在某种类别前提下，某事发生的概率；而为后验概率，表示某事发生了，并且它属于某一类别...

from numpy import *import operatorfrom os import listdir# kNNdef classify0(inX, dataSet, labels, k): dataSetSize = dataSet.shape[0] # 获得向量第一维长度 diffMat = tile(inX, (dataSetSize, 1)) - dat

from numpy import *import operator# 创建数据def createDataBase(): group = array([[1.0, 1.1], [1.0, 1.0], [0, 0], [0, 0.1]]) # numpy向量 labels = ['A', 'A', 'B', 'B'] # 列表 return group, label

数据集MNIST。#!/usr/bin/env python3# -*- coding: utf-8 -*-import timeimport mathimport randomimport numpy as npimport pandas as pdfrom sklearn.model_selection import train_test_splitclass S...