- 博客(9)
- 收藏
- 关注
RSS订阅
原创 决策树相关问题
决策树相关问题决策树ID3，C4. 5，CART的区别决策树简介三种典型算法Bagging与Boosting参考资料决策树ID3，C4. 5，CART的区别决策树简介决策树是一种典型的采用贪心策略的分类模型，即用局部最优解去逼近全局最优解。在整个分类过程中，核心的指标是“不纯度”（impurity），也就是分得“开不开”，因为对于分类问题，我们总是期望能够把数据尽可能地不相交地隔开（比较SVM的基本思想——寻找最大间隔分离超平面而分类，这种属于“separate”；k-means——相近数据点而成类
2020-08-22 22:37:09
546
原创 逻辑回归相关问题
逻辑回归相关问题逻辑回归背景及应用逻辑回归的背景逻辑回归的应用逻辑回归原理统计假设（多分类情况下）基本形式逻辑回归与相关方法的差异逻辑回归与线性回归逻辑回归与SVM逻辑回归的一些细节归一化与特征离散Sigmoid函数的选取参考资料逻辑回归背景及应用逻辑回归的背景逻辑回归（Logistic Regression）是一种统计模型，在机器学习的语境下，通过赋予样本概率解释实现预测或分类。“逻辑斯蒂”（logistic）一词最早由Pierre François Verhulst (1830s - 1840s
2020-08-20 20:45:04
609
原创 NLP-文本分类
Docker简介Docker 是一个开源的应用容器引擎，基于 Go 语言 并遵从 Apache2.0 协议开源。Docker 可以让开发者打包他们的应用以及依赖包到一个轻量级、可移植的容器中，然后发布到任何流行的 Linux 机器上，也可以实现虚拟化。容器是完全使用沙箱机制，相互之间不会有任何接口（类似 iPhone 的 app）,更重要的是容器性能开销极低。阿里云配置采用了基于GPU计算资源的提交镜像的方式，将本地代码打包成镜像提交，推送至阿里云容器镜像仓库后，在天池提交页面中输入镜像地址、用户
2021-02-21 23:52:08
92
原创 Numpy 排序搜索计数与集合操作
排序numpy.sort(a[, axis=-1, kind=‘quicksort’, order=None])numpy.argsort(a[, axis=-1, kind=‘quicksort’, order=None])numpy.lexsort(keys[, axis=-1])numpy.partition(a, kth, axis=-1, kind=‘introselect’, order=None)numpy.argpartition(a, kth, axis=-1, kind=‘i
2020-10-31 22:06:00
153
原创 Numpy数组操作
变形numpy.ndarray.shape表示数组的维度，返回一个元组，这个元组的长度就是维度的数目，即 ndim 属性(秩)numpy.ndarray.flat 将数组转换为一维的迭代器，可以用for访问数组每一个元素。numpy.ndarray.flatten([order=‘C’]) 将数组的副本转换为一维数组，并返回。转置numpy.transpose(a, axes=None) Permute the dimensions of an array.numpy.ndarray.T
2020-10-25 20:16:21
160
原创 Numpy 索引
副本与视图在 Numpy 中，尤其是在做数组运算或数组操作时，返回结果不是数组的副本就是视图。在 Numpy 中，所有赋值运算不会为数组和数组中的任何元素创建副本numpy.ndarray.copy() 函数创建副本。 对副本进行修改，不会影响到原始数据，它们物理内存不在同一位置。数组切片操作返回的对象只是原数组的视图。索引与切片整数索引要获取数组的单个元素，指定元素的index即可切片索引Python list索引得到的是副本，numpy 索引得到的是视图切片语法：(star
2020-10-22 21:54:23
342
原创 Numpy 数据类型及数组创建
Numpy 数据类型及数组创建常量numpy.nannumpy.infnumpy.pinumpy.e数据类型基本数据类型创建基本数据类型时间日期、时间增量数组创建参考资料常量numpy.nannan（NAN，Nan）：“ not a number”，即不是数字，表示空值。何时出现当我们读取本地文件为float的时候，如果有缺失，就会出现nan当做了一个恰当计算的时候(比如无穷大(inf)减去无穷大)特点两个Nan不相等nan 和任何值计算都为 nannumpy.infinf（-
2020-10-21 16:40:04
442
原创 SVM相关问题
SVM相关问题支持向量支持向量机（Support Vector Machine）是一种二分类模型，它的学习策略是“间隔最大化”，也就是找到特征空间的最大间隔超平面。支持向量在几何上是看指离这种超平面最近的点，从而在决策边界上“撑”起超平面，如下图加粗标记点所示。当我们用凸优化的角度去看支持向量机，那么支持向量就可以被定义为对偶变量 αi>0\alpha _i >0αi>0 的样本点，且可以证明支持向量机的参数 (w,b)(\bm{w},b)(w,b) 仅由支持向量决定，而与其他
2020-08-26 20:41:12
205
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