机器学习
文章平均质量分 96
飘散风中
这个作者很懒,什么都没留下…
展开
-
【机器学习】--决策树
决策树算法主要还是依据数据的 信息熵 进行计算,划分树之前,主要先计算数据的 信息熵S,然后根据分支类别,计算各种子节点划分的信息熵E, 使用划分树前的信息熵减去子节点的信息熵 G(S,E) = S-E,增益最大(就是两者的差)最大的为选择的划分方法。例如具有三种类型的数据(A,B,C),包含子项可以是{ (Ax1,Bx1,Cx1),(Ax2,Bx2,Cx2) , (Ax3,Bx3,Cx3原创 2017-11-09 18:05:03 · 850 阅读 · 2 评论 -
【机器学习】--Kmeans聚类
简单介绍: Kmeans聚类算法是通过计算各个数据点离簇中心的距离来进行分类的,即除了簇中心外每一个数据点都要计算离每一个簇中心(或者叫质心也行)的距离,然后将这个数据点分配到数据点离簇中心距离最小的那个簇的族群中,但由于簇中心的选择无法一次找到完美的中心(运气除外),就必须进行迭代,让簇中心不断的进行偏移矫正,然后产生新的族群,使得最终可以产生一个不错的分配结果。算法原创 2017-11-21 14:35:42 · 2129 阅读 · 4 评论 -
【机器学习】--逻辑回归
写在前面: 文中的基本公式都是我从网上截图的,公式编辑器使用的实在是太懒了,推导过程我使用的是手写,程序中所使用的数据,也是从网上下的,代码是自己写的。简单介绍: 逻辑回归主要用于二分类问题,即将答案分为两类,回答你是或者不是,数学表示为{0,1},能很好的表现这一特性的,就是使用logistics函数,Logistic函数图像很像一个“S”型,所以该函数又原创 2017-12-06 16:50:29 · 962 阅读 · 0 评论 -
【机器学习】--神经网络(NN)
简单介绍: 神经网络主要是默认人类脑结构进行的一种代码程序结构的表现,同时是RNN,CNN,DNN的基础。结构上大体上分为三个部分(输入,含隐,输出),各层都有个的讲究,其中,输入层主要是特征处理后的入口,含隐层用来训练相应函数,节点越多,训练出的函数就越复杂,输出层输出相应的预测结果,比较常见的就是多分类了。算法特点: 1、神经网络属于有监督学习的一种;原创 2017-12-15 19:30:39 · 7485 阅读 · 2 评论 -
【机器学习】--感知机
简单介绍: 感知机是二分类模型,和其它二分类比起来,最大区别是输出类别是{1,-1}。算法特点: 1、感知机属于有监督学习的一种。 2、感知机利用具有正负类别的示例数据训练出判别模型。 3、比起逻辑回归,简单许多。 4、具有原始形式和对偶形式。 5、单纯使用感知机,需要对数据做认知处理,因为选择的超平面方程会直原创 2017-12-26 20:41:08 · 1050 阅读 · 0 评论 -
机器学习-常见单元知识备注
最近发现由于做的东西太多太杂,总是会出现某些细节怎么计算给忘记的情况,因此整理一下关于机器学习中,一些常见的单元细节问题,留存记录。机器学习中,关于使用kernel进行卷积运算,共三种形式:SAME,VALID,FULL,这三种形式中,较常见的是前两种,其中,关于使用这三种形式计算新SHAPE公式分别为:原Shape(w,h,chanel) , 新Shape(new_w,new_h,...原创 2019-01-25 14:00:38 · 208 阅读 · 0 评论