机器学习
文章平均质量分 87
纪录一些机器学习的基本理论和实际案例
Sun-sky
这个作者很懒,什么都没留下…
展开
-
多层感知机的代码实现+注释
文章目录前言第一步.读取数据第二步.搭建多层感知机第三步.训练第四步.可视化误差函数总结前言本文是训练多层感知机的代码实现,具体原理及推导请看BP神经网络原理(详细推导)。提示:以下是本篇文章正文内容,下面案例可供参考第一步.读取数据import osimport structimport numpy as npimport matplotlib.pyplot as pltdef getMNIST(kind = 'train'): #Get current path原创 2021-07-21 18:22:12 · 1866 阅读 · 0 评论 -
BP神经网络原理(详细推导)
系列文章目录提示:这里可以添加系列文章的所有文章的目录,目录需要自己手动添加例如:第一章 Python 机器学习入门之pandas的使用提示:写完文章后,目录可以自动生成,如何生成可参考右边的帮助文档文章目录系列文章目录前言第一步:正向传播激活神经网络A.变量说明B.正向传播C.偏置单元二、误差逆向传播1.理解误差逆向传播2.梯度检测3.初始化的重要性总结前言BP神经网络(Back propagation neural network)全称为多层前馈神经网络,其用于解决非线性问题。整个神经原创 2021-07-21 00:46:52 · 9327 阅读 · 5 评论 -
主成分分析和协方差矩阵
前言:本文主要介绍机器学习中的无监督学习数据降维方法:主成分分析法。主成分分析法是一种无监督学习的线性变换技术,用于数据的特征提取和降维。本文主要介绍主成分分析的相关理论,并三种方法实现主成分分析:分别是通过scikit-learn库实现主成分分析,numpy库实现主成分分析以及通过spss软件实现主成分分析。理论分析:理解好理论的推导需要一定的数学知识基础,我在这里罗列下来:线性空间理论协方差矩阵拉格朗日乘子法我们提到主成分分析是一种降维的方法,所谓降维就是把很多个随机变量降到我们想要原创 2021-07-15 10:55:06 · 4430 阅读 · 0 评论 -
数理统计之协方差矩阵
前言:本文介绍数理统计和机器学习中的一个非常重要的概念:协方差矩阵(即随机变量的数字特征)。理解好这个概念将有助于对机器学习的相关内容如:主成分分析(即PCA:Principal Component Analysis),线性判别分析(即LDA:Linear Discriminant Analysis)的学习。方差:方差(variance)的数学定义为:D(X)=E[X−E(X)]2D(X)={E[X-E(X)]^2}D(X)=E[X−E(X)]2其中E(X)E(X)E(X)是随机变量的均值也就是原创 2021-07-14 20:09:23 · 2543 阅读 · 0 评论