- 博客(12)
- 收藏
- 关注
RSS订阅原创 机器学习入门实践--线性模型-多分类问题(python)
本文不涉及细节理论，只做必要性的介绍，侧重代码实现。线性模型-多分类问题的理论分析只有二分类是完全不够用的，因此需要其他的算法来解决多分类问题。例如识别数字0-9有10种情况。多分类问题模型是从二分类延申出来的。类比二分类即可学习。1.确定拟合函数h(x)从单样本开始对于一组样本{x,y=j}j∈[1,k]来说。对于x的预测结果可能有多个，如何确定最终的结果呢？判断概率P(y=j∣θ,x)，那个概率更大，就预测那个值用hθ(x)表示就是：预测结果hθ(x)={P(y=1∣θ,x)P(y=2∣θ
2021-07-19 17:39:42
3063
2
原创 机器学习入门实践--线性模型-分类算法-二分类问题（python）
本博客的理论细节在这里：机器学习入门-分类问题的拟合本博客侧重于实现，细节理论不再过多赘述，只简单介绍。逻辑回归理论分析逻辑回归就是一个二分类问题的分类算法，其根据得出的回归函数可以分为线性逻辑回归和非线性逻辑回归。1.确定拟合函数h(x)要拟合的函数有两个，分别是线性逻辑回归函数和非线性逻辑回归函数线性逻辑回归对于超平面来说，线性回归的模型是h(x)=kx+b这个k，x，b都可以是多维的，只需要满足kx线性相乘即可。其实，将x增加一个值为1的维度，k和b合成一个向量组，就可以写成矩阵相乘
2021-07-14 20:18:07
6033
1
原创 机器学习入门实践--win10和Linux下的numpy安装
Window下的numpy安装根据<Python机器学习算法>要求.Python3.5window平台.使用pip安装安装python3.5网上随便找就有安装pipwin10下,直接在cmd中运行下面两行即可curl https://bootstrap.pypa.io/get-pip.py -o get-pip.py # 下载安装脚本python get-pip.py # 运行安装脚本通过pip --version #查看是否安装成功使用pip安装n
2021-07-11 15:22:24
263
原创 VM虚拟机虚拟网卡设置和Linux网卡配置
VM虚拟机虚拟网卡设置和Linux网卡配置首先理清虚拟机中的配置和本地电脑之间的关系。这是三种虚拟机的网络链接模式，当使用vm虚拟机的时候，会选择一种模式作为网络连接的方法。这些模式分别在物理机上有对应的网络链接设置。这里主机模式和NAT模式分别在物理机上有着对应的虚拟网卡，这个虚拟网卡，可以通过虚拟机的虚拟网络编辑器来修改，也可以直接在物理机上通过更改网络适配器选项来修改。看物理机网络信息：通过在win下cmd中使用ipconfig命令，可以看到本地的无线或者有线网的ip，子网掩码，网关。桥
2021-07-11 13:31:06
3057
2
原创 CentOS卸载安装yum和python
CentOS卸载安装yum参考博客：Centos7 python2.7和yum完全卸载及重装 卸载python和yum卸载python# rpm -qa|grep python|xargs rpm -ev --allmatches --nodeps ##强制删除已安装程序及其关联# whereis python |xargs rm -frv ##删除所有残余文件 ##xargs，允许你对输出执行其他某些命令# whereis python ##验证删除，返回无结果卸载yum# rp
2021-07-11 13:21:23
481
原创 机器学习应用--计算机视觉相关介绍
应用-计算机视觉前面我们了解了机器学习的常见应用之一，推荐系统。现在我们再来看一下另一个常见应用，计算机视觉。我们最为常见的一个功能，图片文字识别，语音转文字，不管是qq还是微信，都有这样的功能。它是如何实现的呢？图像识别首先提取出包含文字的图片。将文字切开。识别文字。滑动窗口如何从一张照片中识别出那部分属于文字。我们可以使用一种叫做滑动窗口的算法按照文字一般比例，使用等比例文字图片和等比例其他图片进行监督训练。按照等比例，对要识别的图片进行扫描，每确定一个位置，就输
2021-07-06 13:34:07
533
原创 大数据集下的学习方法
大数据下的机器学习现在机器学习算法，其实就是大量数据集下对数据集进行拟合。当数据量很大的时候，算法的效率必然会降低，如何处理大量的数据，是现在要考虑的问题。随机梯度下降回顾线性回归的梯度下降。hθ(x)=∑j=0nθjxj代价函数Cost(θ,(x(i),y(i)))=12(hθ(x(i))−y(i))2Jtrain(θ)=12m∑i−1m(hθ(x(i))−y(i))2=1m∑i−1mCost(θ,(x(i),y(i)))迭代运行梯度下降θj:=θj−α∂Jtrain(θ)∂θj对于每个j=0,
2021-07-06 13:31:10
268
原创 机器学习应用-推荐算法概述
推荐算法机器学习的一个常见应用。我们以推荐电影来作为一个例子。基于内容的推荐r(i,j):表示用户j对电影i有评分y(i,j):用户j对电影i的评分x(i)：第i个电影存在的特征x列向量。θ(j)：第j个用户对不同特征的评价列向量。对于用户j，电影i来说，预测的评分是：(θ(j))T(x(i))，含义为用户j的偏好∗电影包含的特征\begin{aligned}& r(i,j):表示用户j对电影i有评分\\& y^{(i,j)}:用户j对电影i的评分\\\\& x^{
2021-07-06 13:28:59
194
原创 无监督学习-异常评估
异常评估异常评估是针对之前的无监督学习得到的结果，若产生了区别于以构建好的阳性模型（即产生阴性结果。发出异常。引入样例假如一个二维数据集{x(1),x(2),...,x(m)}，其分布样例如下所示新增一个训练集xtest,查看新增效果。\begin{aligned}& 假如一个二维数据集\{x^{(1)},x^{(2)},...,x^{(m)}\}，其分布样例如下所示\\& 新增一个训练集x_{test},查看新增效果。\end{aligned}假如一个二维数据集{x(1)
2021-07-06 13:27:49
438
原创 矩阵压缩降维
数据压缩在存储数据和使用数据的时候，过多的数据会造成空间上的占用和时间上的消耗。如果我们能够将数据压缩的更少一点，即可使用更少的空间和时间进行训练模型。例1：从2维到1维。当2维的点均匀的分布在某一条直线附近，即可使用该直线所在的1维值来表示之前的2维的值。当二维变量能够通过一条线表示出来的时候，我们就可以用一个变量来表示该二维变量了,即：x(i)∈R2−>z(i)∈Rx(i)表示第i个样本.z(i)表示第i个样本映射出来的1维结果。x^{(i)}\in\mathbb{R}^2\qqu
2021-07-06 13:26:11
1362
原创 无监督学习
无监督学习监督学习，就是我们有确定的分类，传入参数为{x，y}这样的，输入x会输出确定的y。无监督学习，就是我们没有确定的分类，传入参数为{x，x，…，x}这样的，算法根据某些特征自动将其分类。K-means算法对于无监督学习的分类算法，最简单的是k-means算法了。该算法非常容易理解：k的含义为分成k个群。例如，我们要分成2个群。Step1：随机在样本中确定两个点A，B。Step2：将样本中所有的点，根据到这两个点之间的距离，分成两部分。Step3：求每一部分的中心位置。Step4
2021-07-06 13:18:25
135
原创 SVM以及核函数
对于监督学习分类算法，我们还有一个区别于逻辑回归的方法，即支持向量机SVM。SVM与逻辑回归的本质区别就是损失函数的区别。支持向量机SVM支持向量机（support vector machines，SVM）是一种二分类模型，基本模型是定义在特征空间上的间隔最大的线性分类器。简单来说，就是用来做分类用的，类比一下之前提到过的逻辑回归。它相较于之前的逻辑回归，使用了向量表示法，效果我们下面分析。逻辑回归回到之前我们的逻辑回归分类，我们将逻辑回归问题，转化为了概率问题，并且计算得出对应的概率函数hθ
2021-07-06 13:17:19
350
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