- 博客(5)
- 资源 (4)
- 收藏
- 关注
RSS订阅原创 ubuntu配置svn及http模式访问
假设已经安装并在80端口启动了apache服务器。所有操作都在root用户下进行，特别建立的仓库文件夹和打开svn服务器建立仓库都是在root用户权限下进行，这样会防止最后客户端操作时发生权限问题，实际使用可以新建svn专用用户并赋予读写权限进行管理。安装SVN apt-get install subversion建立svn仓库 1). 建立svn目录：(使用隐藏目录）mkdir /home/.
2015-05-22 23:53:19
2044
原创 机器学习实战——SVM（3/3）
前面两篇总结了线性支持向量机模型，总体来说，就是在样本输入空间下对每个维度进行线性组合之后使用符号函数判别最终的类别。第一个是理想情况下的线性可分SVM，这是第二个的近似线性可分SVM的基础。而且也是一种递进关系，是为了从数学抽象化的理想模型到现实情形的一种推广，但它们终究是一种线性模型，对于更复杂的现实情形有时候依然会难以描述，需要使用非线性模型去描述。非线性SVM由于现实问题的复杂性，导致训练的
2015-05-17 23:26:03
1472
原创 机器学习实战——SVM（2/3）
上一篇总结了对于训练数据集线性可分的理想情况下，使用硬间隔最大化训练得到分类超平面的SVM方法，这种方法在实际应用中并不实用，因为实际的训练数据总是会存在人为或不可控的因素干扰产生各种噪声，因此是无法在特征空间下找到线性可分的超平面的，但是噪声总是有限的，可以对硬间隔这个限制进行放松，引入一个松弛变量来控制分类超平面的训练，从而可以对近似可以线性可分的实际应用数据进行学习和预测。从这里也可以很明显
2015-05-16 00:05:17
2029
原创 机器学习实战——SVM（1/3）
SVM（支持向量机）是典型的二分类的判别式模型，这种方法以Rosenblatt于1957年提出的感知机模型的基础上，都是通过训练一个分类超平面之后，作为分类的决策函数，然后对未知的样本进行预测。通过对输入特征使用法向量和截距w=(w1,w2,...wn)、bw=(w_1,w_2,...w_n)、b进行线性组合，得到超平面，最终的决策函数也和感知机一样，为符号函数f(x)=sign(w⃗ ⋅x⃗ +b
2015-05-13 00:55:03
1816
4
原创 机器学习实战——最大熵模型
信息熵香农与1948年提出的信息论以其中的信息熵这一基本概念为基础，用来表征人们对客观事件的不确定性的度量，与物理学中的熵表征物质的混乱程度有相似之处。 当处理不确定事件时，最常用的方式就是用概率方式描述，一般假定不确定的事件A每种可能的状态都有一个概率与之对应：P(Ai)s.t.∑i=1nP(Ai)=1P(Ai)≥0P(A_i)\\ s.t.\sum_{i=1}^nP(A_i)=1\\P(A_i
2015-05-07 16:33:17
4428
2
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人