机器学习
计算机的感性面
努力再努力
展开
-
KNN的简单实现
前言KNN算法是一种分类算法,一般的,我们知道“物以类聚”,在一个已经分类好的样本中,每个样本点都有一个对应的类别,KNN算法所要做的,就是对于一个未知的样本点,给出它的类别。算法KNN算法的思想很简单: 1. 计算给出的样本点到各个训练点的欧式距离; 2. 按照升序排序,取前k个训练点的类别; 3. 取类别中出现频率最高的作为这个样本点的类别;表1是已知类别的电影与未知电影G的距离(这里取欧原创 2016-04-03 13:53:27 · 474 阅读 · 0 评论 -
MATLAB笔记
记录の前言MATLAB很长时间不看忘记的很快,并且数模和ML都需要MATLAB,将常用的记录下来,以后方便查看。记录の本体repmat复制并且平铺矩阵,将矩阵A平铺成MxN的矩阵;B = repmat(A,m,n)B = repmat(A,[m n])B = repmat(A,[m n p...])sort排序,[B,I] = sort(A,mode),重新排列矩阵A,mode选择asce原创 2016-04-03 14:03:50 · 388 阅读 · 0 评论 -
Logistic Regression简介
这个是简介,真的只是简介,先挖个大坑,有空慢慢填。Logistic回归,也被称为逻辑回归,Logistc分布是一种条件概率分布模型,给定参数θ\theta,那么一个XX就会有一个YY,这个YY的概率意义是X条件下出现Y的概率,一般的我们将大于0.50.5的值规定为11,小于0.50.5的值定为00,这样就相当于将θTX\theta^TX映射到0,1{0,1}这样的空间当中,我们就可以进行判别了。如果原创 2016-04-03 20:10:03 · 281 阅读 · 0 评论 -
概率论复习笔记
笔记の前言一个月前为了刷Andrew ng的ML课程,提前补了一下概率论的各种知识,也算复习吧,现在迁移笔记。笔记の本体随机试验,随机事件(是样本点的集合,是样本空间的一个子集),样本空间(包含许多样本点),样本点(一种可能的情况),基本事件(由一个样本点组成的单点集);古典概型,几何概型,蒙地卡罗方法(Buffon投针试验),概率的统计定义,概率的公理化定义,全概率公式和贝叶斯公式; (完备原创 2016-04-03 20:44:16 · 1900 阅读 · 0 评论 -
ML初笔记
前言这个笔记是一个月前补Andrew ng的Coursera课程的时候记录的,因为知识点比较杂,而且coursera的每一个part都不是很详细地介绍(但是确实是入门经典),因此笔记少而多,特此整理,以后每一个方向都是大坑。ML所研究的问题机器学习分为三大类问题:监督学习、非监督学习和强化学习。 监督学习给出标准数据集和结果,希望计算机能够尽量模仿给出这种近似“标准”的结果,例如分类问题;而非监督原创 2016-04-03 20:40:01 · 400 阅读 · 0 评论