![](https://img-blog.csdnimg.cn/20201014180756928.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
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 · 248 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 · 202 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 npfrom textrank4zh import TextRank4Keyword, TextRank4Sentenceimport pandas...原创 2020-01-10 17:08:14 · 161 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 · 203 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 npimport pandas as pdimport matplotlib.pyplot as pltimport matplotlib as mplfrom 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 · 118 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 npfrom scipy.stats import multivariate_normalfrom sklearn.mixture import GaussianMixturefrom mpl_toolkits.mplot3d import Axes3Dim...原创 2020-01-06 11:16:33 · 287 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 · 102 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 npimport matplotlib.pyplot as pltimport sklearn.datasets as dsimport matplotlib.colorsfrom 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 · 133 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 · 589 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 · 149 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 npimport pandas as pdfrom sklearn import preprocessingfrom sklearn.linea...原创 2019-11-17 09:17:36 · 186 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 · 257 阅读 · 0 评论