伦敦伪枪的专栏

http://www.haodaima.net/art/2591450正则化是结构风险最小化策略的实现，是在经验风险上加上一个正则项(regularizer)或罚项(penalty  term)。是模型选择的典型方法。正则化项一般是模型复杂度的单调递增函数，模型越复杂，正则化值越大。比较常用的正则化项有模型参数向量的范数，1-norm、2-norm第1项经验风险较小

http://hi.baidu.com/hehehehello/item/96cc42e45c16e7265a2d64eeGBDT(Gradient Boosting Decision Tree) 又叫 MART（Multiple Additive Regression Tree)，是一种迭代的决策树算法，该算法由多棵决策树组成，所有树的结论累加起来做最终答案。它在被提出之初就和SVM一起

转载自http://www.cnblogs.com/zhangchaoyang/articles/2709922.html分类回归树(CART,Classification And Regression Tree)也属于一种决策树，上回文我们介绍了基于ID3算法的决策树。作为上篇，这里只介绍CART是怎样用于分类的。分类回归树是一棵二叉树，且每个非叶子节点都有两个孩子，所以对于第一棵子树其

http://blog.csdn.net/zouxy09       一直在看论文的过程中遇到这个问题，折腾了不少时间，然后是下面的一点理解，不知道正确否。若有错误，还望各位前辈不吝指正，以免小弟一错再错。在此谢过。 一、决策函数Y=f(X)或者条件概率分布P(Y|X)       监督学习的任务就是从数据中学习一个模型（也叫分类器），应用这一模型，对给定的输入X预测相应的输出Y。

转载自 http://www.thebigdata.cn/JieJueFangAn/13023.html基于特征化工程进行用户特征化，结合相关的机器学习算法对业务进行挖掘建模，在广告的精准投放、预测、风控等领域中应用的非常广泛。无论是有监督的学习分类算法，还是无监督的聚类也罢，都需要建立特征向量，对特征进行预处理;其中对于有监督的训练时，还需要进行样本的筛选。本章节讲解一下样本选择和特征处理方

转载自http://www.cnblogs.com/zhangchaoyang/articles/2642032.html本文给出基于两种统计量的假设检验，来检验变量间是否独立--χ2与秩和。χ2越小说明越独立。你可能会参考另一篇博客相关性检验。假设检验假设检验（Test of Hypothesis）又称为显著性检验（Test of Ststistical Sign