- 博客(6)
- 资源 (2)
- 收藏
- 关注
RSS订阅转载 【非参数贝叶斯学习系列】Dirichlet distribution学习笔记
Dirichlet distribution是一个很重要 的分布，其是Dirichlet process 存在的基础，DP本身是得出非参贝叶斯估计中的求得先验分布的重要方法。这个分布本身其实是Beta分布在多元时的情况，其共轭为多项分布(对应的 Beta的共轭是二项分布)其实我对其中还是有些不是很明白的地方。希望能够有高手指正
2016-06-25 16:49:03
2571
转载 【非参数贝叶斯学习系列】Beta Distribution 学习笔记
这个是我学习过程的中的一些学习笔记，拿出来希望和大家共享，因为我也是初学者，希望大家能够一起来讨论共同提高这是关于Beta分布的一些东西，从我个人理解上来说我觉得Beta分布牛逼在你可以用两个参数任意控制其概率分布图像，同时可以控制众数的位置，这个是可以作为贝叶斯模型中的先验信息输入。比如对于一个现象，比如今天是否下雨这一事件，我的估计是0.6概率下雨，你的估计是0.4的概率下雨，这些都是
2016-06-25 16:39:22
1789
转载 二项分布和Beta分布
二项分布和Beta分布本文通过实例介绍二项分布和Beta分布的含义，并使用pymc对抛硬币进行模拟实验，从而获得Beta分布http://hyry.dip.jp/tech/slice/slice.html/42In [15]:%pylab inlineimport pylab as plimport numpy as npfrom scipy im
2016-06-25 16:30:04
1671
转载 机器学习经典算法详解及Python实现–决策树（Decision Tree）
决策树是通过一系列规则对数据进行分类的过程。它提供一种在什么条件下会得到什么值的类似规则的方法。决策树分为分类树和回归树两种，分类树对离散变量做决策树，回归树对连续变量做决策树。近来的调查表明决策树也是最经常使用的数据挖掘算法，它的概念非常简单。决策树算法之所以如此流行，一个很重要的原因就是使用者基本上不用了解机器学习算法，也不用深究它是如何工作的。直观看上去，决策树分类器就像判断模块和终
2016-06-24 09:14:34
8381
转载 决策树学习笔记整理
本文目的最近一段时间在Coursera上学习Data Analysis，里面有个assignment涉及到了决策树，所以参考了一些决策树方面的资料，现在将学习过程的笔记整理记录于此，作为备忘。 算法原理决策树（Decision Tree）是一种简单但是广泛使用的分类器。通过训练数据构建决策树，可以高效的对未知的数据进行分类。决策数有两大优点：1）决策树模型可以读性好
2016-06-24 08:52:43
467
转载 机器学习实战笔记3(决策树与随机森林)
决策树的优势就在于数据形式非常容易理解，而kNN的最大缺点就是无法给出数据的内在含义。1：简单概念描述 决策树的类型有很多，有CART、ID3和C4.5等，其中CART是基于基尼不纯度(Gini)的，这里不做详解，而ID3和C4.5都是基于信息熵的，它们两个得到的结果都是一样的，本次定义主要针对ID3算法。下面我们介绍信息熵的定义。 事件ai发生的概
2016-06-19 15:46:11
1485
多媒体 ps课程设计
2015-04-05
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人