机器学习基础算法
山复尔尔,
这个作者很懒,什么都没留下…
展开
-
机器学习——基础算法(十七)
机器学习——基础算法(十七) 一、Hmmlearn的安装 二、隐形马尔科夫模型实践原创 2020-02-04 21:33:58 · 252 阅读 · 0 评论 -
机器学习——基础算法(十六)
文章目录机器学习——基础算法(十六)一、隐马尔科夫模型(一)HMM定义(二)隐马尔科夫模型的贝叶斯网络(三)HMM的确定(四)HMM的参数二、概率计算问题(一)直接计算法(二)前向算法(三)后向算法 机器学习——基础算法(十六) 一、隐马尔科夫模型 (一)HMM定义 (二)隐马尔科夫模型的贝叶斯网络 (三)HMM的确定 (四)HMM的参数 二、概率计算问题 (一)直接计算法...原创 2020-01-14 10:31:51 · 203 阅读 · 0 评论 -
机器学习——基础算法(十五)
机器学习——基础算法(十五) 一、Gensim的安装 二、正则表达式 三、常用正则表达式 四、LDA_intro.py # !/usr/bin/python # -*- coding:utf-8 -*- import numpy as np from textrank4zh import TextRank4Keyword, TextRank4Sentence import pandas...原创 2020-01-10 17:08:14 · 163 阅读 · 0 评论 -
机器学习——基础算法(十四)
机器学习——基础算法(十四) 一、LDA的应用方向 二、朴素贝叶斯的分析 三、Beta (一)Beta分布 (二)Beta分布的期望 (三)Beta分布 四、LDA涉及的主要问题 (一)共轭先验分布 (二)二项分布与先验举例 (三)先验概率和后验概率的关系 (三)共轭先验的直接推广 (四)Dirichlet分布 (五)Dirichlet分布的期望 (六)Dirichlet分...原创 2020-01-10 11:07:37 · 204 阅读 · 0 评论 -
机器学习——基础算法(十三)
机器学习——基础算法(十三) 一 #!/usr/bin/python # -*- coding:utf-8 -*- import numpy as np import pandas as pd import matplotlib.pyplot as plt import matplotlib as mpl from sklearn.preprocessing import StandardSca...原创 2020-01-09 15:29:38 · 259 阅读 · 0 评论 -
机器学习——基础算法(十二)
机器学习——基础算法(十二) 一、相对熵 二、互信息 三、信息增益 四、概率 五、贝叶斯公式的应用 六、后验概率 七、贝叶斯网络 八、贝叶斯网络的三个定理 ...原创 2020-01-07 10:14:46 · 123 阅读 · 0 评论 -
机器学习——基础算法(十一)
机器学习——基础算法(十一) 一、二项分布的最大似然估计 二、二项分布与先验举例 三、EM算法 import numpy as np from scipy.stats import multivariate_normal from sklearn.mixture import GaussianMixture from mpl_toolkits.mplot3d import Axes3D im...原创 2020-01-06 11:16:33 · 289 阅读 · 0 评论 -
机器学习——基础算法(十)
机器学习——基础算法(十) 一、EM算法 注:(一)Jensen不等式:若f是凸函数,则f(Ex)≤Ef(x) (一)最大似然估计 (1)■找出与样本的分布最接近的概率分布模型。 ■简单的例子 ■10次 拋硬币的结果是:正正反正正正反反正正 假设p是每次抛硬币结果为正的概率。则:得到这样的实验结果的概率是: P=pp(1-p)ppp(1-p)(1- p)pp =p7(1-p)3 最优解是: p=0...原创 2019-12-31 22:30:31 · 105 阅读 · 0 评论 -
机器学习——基础算法(九)
机器学习——基础算法(九) 一、kMeans # !/usr/bin/python # -*- coding:utf-8 -*- import numpy as np import matplotlib.pyplot as plt import sklearn.datasets as ds import matplotlib.colors from sklearn.cluster import ...原创 2019-12-02 20:49:01 · 168 阅读 · 0 评论 -
机器学习——基础算法(八)
文章目录机器学习——基础算法(八)一、聚类的定义二、相似度/距离计算方法总结三、聚类的基本思想四、k-Means算法(一种广泛使用的聚类算法)五、k-Means聚类方法总结 机器学习——基础算法(八) 一、聚类的定义 聚类就是对大量未知标注的数据集,按数据的内在相似性将数据集划分为多个类别,使类别内的数据相似度较大 而类别间的数据相似度较小。 无监督 二、相似度/距离计算方法总结 ...原创 2019-11-26 11:10:51 · 134 阅读 · 0 评论 -
机器学习——机器学习(七)
文章目录机器学习——机器学习(七)一、核函数(一)多项式核函数(二)多项式核二、核函数映射三、高斯核是无穷维的四、造数据 机器学习——机器学习(七) 一、核函数 (一)多项式核函数 (二)多项式核 二、核函数映射 三、高斯核是无穷维的 四、造数据 ...原创 2019-11-25 21:56:43 · 697 阅读 · 0 评论 -
机器学习——基础算法(六)
文章目录机器学习——基础算法(六)一、各种概念二、分割超平面三、输入数据四、整理符号五、线性可分支持向量机的目标函数五、目标函数的运用 机器学习——基础算法(六) 一、各种概念 口线性可分支持向量机 ■硬间隔最大化hard margin maximizati ■硬间隔支持向量机 口线性支持向量机 ■软间隔最大化soft margin max imizatic ■软间隔支持向量机 ...原创 2019-11-25 17:15:26 · 139 阅读 · 0 评论 -
机器学习——基础算法(五)
文章目录机器学习——基础算法(五)一、XGBoost官网二、安装XGBoost过程三、Kaggle简介四、数据预处理-清洗五、0-1的one-hot编码六、用python读取矩阵形式的数据七、使用logistic,随机森林,XGBoost进行分类 机器学习——基础算法(五) 一、XGBoost官网 官网:https://xgboost.readthedocs.io/en/latest/ 代码:...原创 2019-11-22 16:12:10 · 595 阅读 · 0 评论 -
机器学习——基础算法(四)
机器学习——基础算法(四) 一、提升的概念 口提升是一个机器学习技术,可以用于回归和分类问题,它每一步产生一个弱预测模型(如决策树),并加权累加到总模型中;如果每一步的弱预测模型生成都是依据损失函数的梯度方向,则称之为梯度提升(Gradient boosting)。 口梯度提升算法首先给定一个目标损失函数,它的定义域是所有可行的弱函数集合(基函数);提升算法 通过迭代的选择一个负梯度方向上的基函数...原创 2019-11-21 20:58:35 · 154 阅读 · 0 评论 -
机器学习——基础算法(三)
机器学习基础算法–决策树与决策森林实践(三) 一、鸢尾花数据决策树 分成三类:分别标为紫色,黄色和绿色。它们的信息熵为0. 二、决策树的过拟合 (一)定义 决策树对训练属于有很好的分类能力,但对 未知的测试数据未必有好的分类能力,泛化能力弱,即可能发生过拟合现象。 剪枝 随机森林 (二)采用Bagging的策略提升分类准确率 a、bootstrap aggregation b、从样本...原创 2019-11-19 15:22:44 · 185 阅读 · 0 评论 -
机器学习—基础算法(二)
机器学习——基础算法(二) 一、回归实践 (一)局部加权回归 (二)一般使用Logistic回归和Softmax回归进行分类。 #!/usr/bin/python # -*- coding:utf-8 -*- import numpy as np import pandas as pd from sklearn import preprocessing from sklearn.linea...原创 2019-11-17 09:17:36 · 188 阅读 · 0 评论 -
机器学习——基础算法(一)
机器学习——基础算法(一) 一、数据清洗 (一)赔率的举例定义原创 2019-11-13 22:13:00 · 259 阅读 · 0 评论