- 博客(5)
- 收藏
- 关注
RSS订阅转载 离散点差值（等高线）
A=[1.486,3.059,0.1;2.121,4.041,0.1;2.570,3.959,0.1;3.439,4.396,0.1; 4.505,3.012,0.1;3.402,1.604,0.1;2.570,2.065,0.1;2.150,1.970,0.1; 1.794,3.059,0.2;2.121,3.615,0.2;2.570,3.473,0.2;3.421,4.160,0.2; 4.271,3.036,0.2;3.411,1.876,0.2;2.561,2.562,0.2;2.179,2.42
2021-04-02 12:51:12
537
原创 混合高斯模型
单高斯模型 当样本数据Ｘ是一维数据时，高斯分布（正态分布）服从下方概率密度函数，可以用于描述一种数据分布情况。 当样本是多维时，概率密度函数如下： 应用原因 对于一个分布由Ｋ个簇组成，使用单独的高斯分布很难描述数据的分布情况（如下图所示），这时可通过混合模型来描述。将多个高斯模型按照一定的权重混合为一个模型。 模型变量 高斯混合模型中所涉及的变量包括：混合模型的数量Ｋ，每个模型对应的分布（μi，δi），及其对应的权值αi。 混合模型的概率分布为： 其中ｔｈｅｔａ＝（μ，δ，α） 模型训练 对于单高
2020-07-02 22:47:23
191
原创 t-SNE
介绍：t-SNE是一种高维数据可视化的一种算法，将高维数据嵌入到二维或三维空间中。 假设：尽管现实世界中的很多数据是嵌入在高维空间的，但是都具有很低的内在维度。也就是说高维数据经过降维后，在低维状态下能够显示其本质特性。 t-SNE使用教程 import numpy as np import sklearn from sklearn.manifold import TSNE from sklearn.datasets import load_digits # Random state. RS = 2015
2020-06-25 21:47:58
196
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