![](https://img-blog.csdnimg.cn/20201014180756926.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器学习
倔强的小彬雅
这个作者很懒,什么都没留下…
展开
-
机器学习入门-用KNN实现手写数字图片识别(包含自己图片转化)
机器学习入门-用KNN实现手写数字图片识别(包含自己图片转化)1.数据集格式2.把自己图片转化为数据集格式(把宽高是32像素x32像素的黑白图像转换为文本格式)3.用数据集实现4.运行结果4.代码下载地址KNN是最简单的机器学习方法之一,很适合新手入门。不过我在网上搜索这个方法时,都是用网上的数据集,并没有人教怎样把自己的图片转化为算法可以识别的。好不容易研究出来了,在这里分享给大家。1.数据...原创 2019-05-03 16:48:25 · 3718 阅读 · 0 评论 -
机器学习常用数学定义总结
二次规划:是在有线性约束条件的情况下,最小化或最大化多个变量的二次函数(函数的最高次为二次的函数)。二次规划是一种特殊的非线性规划。线性规划:是在有线性约束的条件下,优化多个变量的线性函数。(与二次规划的区别在于,目标函数为线性函数。)对偶问题:是实质相同但从不同角度提出不同提法的一对问题。正定矩阵:(1)定义:设M是n阶方阵,如果对任何非零向量z,都有zTMz> 0,其中z...原创 2019-06-03 15:12:18 · 321 阅读 · 0 评论 -
机器学习之SVM的损失函数(Hinge Loss)
损失函数:是用来衡量一个预测器在对输入数据进行分类预测时的质量好坏。损失值越小,分类器的效果越好,越能反映输入数据与输出类别标签的关系(虽然我们的模型有时候会过拟合——这是由于训练数据被过度拟合,导致我们的模型失去了泛化能力)。相反,损失值越大,我们需要花更多的精力来提升模型的准确率。就参数化学习而言,这涉及到调整参数,比如需要调节权重矩阵W或偏置向量B,以提高分类的精度。多类SVM:它是...原创 2019-06-03 17:16:44 · 5226 阅读 · 2 评论 -
机器学习入门笔记1:梯度下降法
梯度是一个向量,表示某一函数在该点处的方向导数沿着该方向取得最大值,大小为方向导数最大值,方向为函数增长最快方向。假设一个函数的极值点,就是它的导数为零的那个点。因此我们可以通过解方程求得函数的极值点。假设上图为函数图像,首先我们随便选择一个点开始,经过一次次迭代,不断根据我们定的步长更新x的值,最终到达最小值点,每次迭代都朝着梯度方向的反方向,梯度下降算法公式可表示为:其中为函数...原创 2019-06-10 17:10:55 · 213 阅读 · 0 评论 -
机器学习之Softmax分类器
Softmax函数:其实就是一个简单的归一化函数,即根据比例把之前的数字变形,使变形后的数字比例与原来相同,但是和变成了1:通常用在计算了W*x之后,把所得的与预测所得的Y归一化,这使得它,与SVM相比有了更加直观的(类似概率概率)输出。softmax损失函数最经常使用的是交叉熵函数(cross-entropy):交叉熵(Cross Entropy):主要用于度量两个概率分布间的差异性...原创 2019-06-18 15:27:29 · 2754 阅读 · 0 评论