ystraw - Come on！！！

详细讲解视频推荐 PageRank的一般公式： R=dMR+1−dn1{R = dMR + \frac {1-d} {n} 1}R=dMR+n1−d​1 其中d为随机概率([0,1]),一般去0.85，M为基本转移矩阵，1−dn1{\frac {1-d} {n} 1}n1−d​1表示完全随机转移矩阵，表示从任意一个节点到任意一个节点的转移概率都是1/n. c++实现代码： /* Function: c++实现PageRank算法 Author: ystraw Time: 2020-7-20 13:58 */

本文记录线性回归的一般步骤，并不会详细介绍原理。 视频教程: 第七章Logistic回归和第八章正则化。 笔记-原理介绍、公式推导 代码 1. logistic回归 前面介绍过线性回归，线性回归主要是做预测的，而本文介绍的逻辑回归则是做分类，逻辑回归可以处理二分类和多分类问题。 在分类问题中，我们尝试预测的是结果是否属于某一个类（例如正确或错误）。分类问题的例子有：判断一封电子邮件是否是垃圾邮件；判断一次金融交易是否是欺诈；之前我们也谈到了肿瘤分类问题的例子，区别一个肿瘤是恶性的还是良性的。 本文介绍的是二

本文记录线性回归的一般步骤，并不会详细介绍原理。 视频教程: 第二章单变量线性回归和第六章多变量线性回归。 1. 线性回归： 可以简单理解为就是为就是找一条线来拟合我们已有的数据集。数据集一般包括x和y，x如果只是一个数则为单变量线性回归，如果x很多则为多变量线性回归。 hθ(x)=θTX=θ0x0+θ1x1+θ2x2+...+θnxn{{{h}_{\theta }}\left( x \right)={{\theta }^{T}}X={{\theta }_{0}}{{x}_{0}}+{{\theta }_{

相关学习链接 视频（https://www.bilibili.com/video/BV18J411a7yY?p=1) 博客：(https://blog.csdn.net/in_nocence/article/details/78306297) 文档：(https://wenku.baidu.com/view/ee968c00eff9aef8941e06a2.html) 代码：(https://wenku.baidu.com/view/ee968c00eff9aef8941e06a2.html) 上面的视