![](https://img-blog.csdnimg.cn/20201014180756738.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
数值分析
BUAA-XX
关注后端架构开发 云计算 人工智能 计算机视觉
展开
-
数值分析 函数逼近
通过复杂高维函数的近似替代进行计算量简化 general.py#coding=utf-8import sympyfrom sympy import integrateimport numpy as npimport mathfrom matplotlib import pyplot as plt#函数逼近的简单算法#拟合优度的判定方法 对于数据集 dataset:{x:y} 看 R原创 2017-10-29 20:56:15 · 2115 阅读 · 0 评论 -
数值分析之 拉格朗日插值、牛顿插值、分段线性插值实现
1、拉格朗日插值法考虑全局信息的比较经典的插值方法,编程简单,计算量大。#coding=utf-8from matplotlib import pyplot as pltdef Lg(data,testdata): predict=0 data_x=[data[i][0] for i in range(len(data))] data_y=[data[i][1] for i原创 2017-10-29 20:52:41 · 8252 阅读 · 0 评论 -
Machine Learning 学习 之 C4.5
#coding=utf-8#每个类先事先划分属性 数据结构定义为[[[类1,类2,...],结果],...(样本n)]#ID3算法 比较最大增益 增益越大 说明该分类器商相对越小#,分类越显著(概率比越大,类别对结果的影响越大)"""上面为了简便,将特征属性离散化了,其实日志密度和好友密度都是连续的属性。对于特征属性为连续值,可以如此使用ID3算法:先将D中元素按照特征属性排序,则每两原创 2017-10-29 21:06:27 · 304 阅读 · 0 评论 -
Machine Learning 之简单绘制决策树
#encoding:utf-8##基本绘图#import numpy as npimport cv2import cv2.cv as cvclass Parent: def __init__(self,k,d): self.k=k self.d=dclass DrawTree: def __init__(self,原创 2017-10-29 21:08:21 · 231 阅读 · 0 评论 -
Machine Learning 之 LOF离群点检验
#coding=utf-8#本质是基于密度的检测 缺点:计算量巨大#优化 重复点计算import mathprint sorted([1,3,2])[:1],[1,3,2][1:]class LOF: def __init__(self,data,k,threshold): self.data=data self.k=k self.th原创 2017-10-29 21:09:46 · 1126 阅读 · 0 评论 -
Machine Learning 之 SVM实现(个人认为最好的算法)
SVM.py#coding=utf-8""" 主要思想及算法流程来自李航的《统计学习方法》 《理解SVM的三重境界》 yi={1,-1} 难点: KKT条件 SMO算法"""import timeimport randomimport numpy as npimport mathimport copya=np.m原创 2017-10-29 21:12:19 · 16112 阅读 · 5 评论 -
非线性优化之牛顿(梯度)下降法、高斯牛顿法、LM下降法
本质都是基于梯度下降法。 牛顿法: 依赖于Hessen矩阵非奇异,收敛较快 高斯 牛顿法:依赖二阶项的jacobian 解决了Hessen非奇异的问题,收敛相对慢 LM下降法:表现是使用一个因子拟合牛顿和高斯牛顿法#coding=utf-8from numpy import *import sympydef Hessen(f,x,x_value): #行 列表示Hesse矩原创 2017-10-29 21:41:30 · 1940 阅读 · 1 评论