Python机器学习
Braylon1002
这个作者很懒,什么都没留下…
展开
-
感知机(一) latex手打公式 良心推导 原理分析 个人理解
文章目录简介引入怎么确定划分规则呢感知机数学原理ax+b和wx+b寻找损失函数间隔的度量函数间隔几何间隔点到超平面距离的证明损失函数梯度下降法进行优化简介本来应该在贝叶斯和SVM之前推出感知机的,但是感知机这边原来整理的有些东西有点模糊了,现在赶紧补上。先分享感知机(一),后面还会有(二)。正文开始。引入当前比较应景的就是全球趋势的新冠疫情,我们可以借用已经举一个例子帮助大家理解。现在我们需要建立一个模型判断一个人是否被感染,然后我们只有每个人的两种特征(x1, x2)。x1: 咳嗽的频率(原创 2020-06-25 21:33:29 · 1232 阅读 · 0 评论 -
朴素贝叶斯 latex手打公式 良心推导 原理分析 个人理解
文章目录简介怎么计算P(Y|X)怎么计算P(X=x|Y=yc)得到最终的判别公式判别公式优化求解P(Y = yc)求解P(X^(i)=x^(i)|Y=yc)例题分析朴素贝叶斯算法总结:朴素贝叶斯 和 贝叶斯总结简介我认为朴素贝叶斯的真正灵魂就是概率。先请大家看一个有趣的概率问题:三门问题有趣的概率 三门问题可能有的有点远了,哈哈,再看一个真实的OCR例子吧。现在有10个首先的训练集数据,从0到9的手写数字图片。然后现在输入一个数字Y,那么请问这个数字是几呢?朴素贝叶斯老师会怎么做嘞?他会原创 2020-06-24 12:29:55 · 1824 阅读 · 0 评论 -
难道朴素贝叶斯比贝叶斯朴素?
文章目录简介为什么要有贝叶斯估计贝叶斯估计举例简介摘自李航老师原著,主要是作为自己的学习笔记。感兴趣同学,建议大家阅读原著。为什么要有贝叶斯估计我们知道朴素贝叶斯中有很多的概率连乘,但是很可能出现一个P(X(i) = x(i)|Y=yc)= 0那么得到的整个式子的概率起不就成为0了。这肯定是不对的。所以为了改变这种情况,就产生了贝叶斯。‘所以我还是同意说“朴素贝叶斯”比“贝叶斯”要朴素一些的,哈哈~贝叶斯估计他用来解决连乘中出现0的情况。如果原来是0,那么还是得保证调整完之后的值依然很小,这原创 2020-06-24 12:09:38 · 330 阅读 · 0 评论 -
SVM(二) latex手打公式 良心推导 原理分析 个人理解
文章目录简介SVM(二)软间隔核函数SMO优化SMO优化过程往期博客SVM(一) latex手打公式 良心推导 原理分析 个人理解简介这一篇主要是衔接上一个SVM(一),主要是软间隔、核函数和SMO的分享。建议没有读过第一篇的先看看第一篇blog。这一篇直接接着上一篇blog。SVM(二)软间隔上一次我们介绍了SVM的原理,但是不是所有的样本都能如我们的心意,比如这种情况:很明显一个规则的超平面不能很好的将两类样本进行分割,所以我们引入了软间隔,哦哦,不是我引入的,那些科学家们就引入了。原创 2020-06-18 16:27:30 · 777 阅读 · 0 评论 -
SVM(一) latex手打公式 良心推导 原理分析 个人理解
文章目录SVM简介问题导入最优超平面间隔的度量函数间隔几何间隔点到超平面距离的证明如何解决线性不可分数据样本为什么SVM是无穷维求解最小几何间隔拉格朗日乘子法损失函数求解推导支持向量SVM简介我相信这个算法很多人都知道,并且很多人都认为自己掌握的非常熟练了,这篇博客我准备了很久,其实这并不是我刚刚学习了SVM,而是学了很多用了很多时候从头再进行思考和总结,把自己会的东西给别人讲明白真的是一件不容易的事情。我将利用很多我自己画的图片帮助大家理解,同时latex手打公式帮助大家进行部分重要公式的推导和分原创 2020-05-27 20:58:41 · 1278 阅读 · 0 评论 -
拉格朗日乘子法 latex手打公式 良心推导
文章目录拉格朗日乘数法简介等式约束问题明确问题基础知识推导构造求极值不等式约束问题明确问题问题转化拉格朗日乘数法简介简单概括一下拉格朗日乘子法用来解决具有约束的最值问题。那么其中主要有两个比较重要的问题需要解决:等式约束问题不等式约束问题等式约束问题其中我认为最重要的其实就是等式约束问题,因为不等式最终也可以转化为这第一种问题,至于怎么转化我们后面再讲,现在我们想搞懂如何解决等式约束问题。明确问题上面就是我们需要解决的问题。基础知识首先我们明确一些前提条件,这也是我们求解的基础原创 2020-05-24 11:27:09 · 2630 阅读 · 0 评论 -
影响力最大化 IC 蒙特卡洛模拟 贪心算法
文章目录简介IC 独立级联算法蒙特卡洛和LT线性阈值实现基于蒙特卡洛模拟的IC模型简介引入库函数测试图蒙特卡洛模拟贪心求最大影响力源代码简介个人对于影响力最大化这个问题本身比较感兴趣,这是我原来写过的链接:影响力最大化 IMRank 我心中的最优算法影响力最大化 模拟爆发(粗糙笔记)影响力最大化 IC模型+贪心算法这一偏还是基于贪心算法的IC模型,但是原来写的是基于LT的IC,也就是线性阈值的独立级联模型。而这一篇我使用的是蒙特卡洛模拟的方法实现IC。那么我们就先来看看到底有什么区别。IC原创 2020-05-10 16:13:05 · 6999 阅读 · 5 评论 -
用于语音识别的多任务自我监督学习(Multi-task self-supervised learning for robust speech recognition )
文章目录简介论文信息题目内容摘要论文背景应用背景技术现状论文主要工作论文工作介绍文章框架核心工作1、PASE+整体框架。 蓝色部分是在 PASE 的基础上改进的部分。2、如何以自我监督的方式对 PASE +进行预训练数据集论文实验干预措施有效性的证明 & PASE+强大性能与标准语音特征比较总结简介这其实是我们团队参加比赛,然后调研到的文章,做总结的是我的队友,不得不说,总结得简明扼要...原创 2020-06-23 10:40:30 · 2804 阅读 · 4 评论 -
深入理解协方差
文章目录协方差方差例子协方差矩阵意义协方差度量各个维度偏离其均值的程度。协方差的值如果为正值,则说明两者是正相关的(从协方差可以引出“相关系数”的定义),结果为负值就说明负相关的,如果为0,也是就是统计上说的“相互独立”。在概率论中,两个随机变量 X 与 Y 之间相互关系,大致有下列3种情况:当 X, Y 的联合分布像图那样时,我们可以看出,大致上有: X 越大 Y 也越大, X 越...原创 2020-03-16 15:36:57 · 722 阅读 · 1 评论 -
各种距离的定义和含义
简介记录一些基础的还比较重要的知识点,也和大家分享。。欧式距离曼哈顿距离切比雪夫距离棋盘上所有位置距f6位置的切比雪夫距离:闵可夫斯基距离标准化欧式距离余弦距离汉明距离杰卡德距离马氏距离大家共勉~~...原创 2020-03-16 15:30:12 · 3099 阅读 · 0 评论 -
xis = 0,axis = 1 DataFrame结构轴的概念
官方帮助的解释:轴用来为超过一维数组定义的属性,二维数据拥有两个轴:第0轴沿着行的方向垂直向下,第1轴沿着列的方向水平延申。根据官方的说法,1表示横轴,方向从左到右;0表示纵轴,方向从上到下。当axis=1时,数组的变化是横向的,体现出列的增加或者减少。反之,当axis=0时,数组的变化是纵向的,体现出行的增加或减少。下图为dataframe中axis为0和1时的图示:实例:df = ...转载 2020-03-14 20:25:36 · 767 阅读 · 0 评论 -
AnacondaNavigator安装keras亲身详细步骤
废话不多说直接上过程1.在开始菜单搜索anaconda这很简单直接上图然后我们的打开conda命令行,就是那个Prompt。2我们先知道一下要下载keras库不光是一个keras,所以我们的下载顺序是: libpython,mingw,theano,keras,其中有一些python扩展编译的库,这个我也不是特别明白,如果对python研究很深的话可以自己去研究查阅。直接在命令行中...原创 2019-09-20 14:07:45 · 9479 阅读 · 2 评论