Genlovy Hoo的博客

群体优化算法python工具箱分享（GA、PSO、CS、GWO、WOA、HHO），持续更新…之前在学校写论文的时候各种群体优化算法用得挺多的，工作之后虽然没怎么用了，不过这类算法在优化一些算法超参数的时候还是比较有用的，比如优化SVM。。。准备空闲的时候将这类算法整合成一个工具箱方便使用，目前写好了GA、PSO、CS、GWO、WOA、HHO，后续有空更新其他算法。工具箱为每个优化算法提供统一的参数接口，因此使用的时候只需要关注自己的目标函数即可。使用仅需四个步骤：1、定义目标函数；2、设置目标函数待优

Apriori学习笔记（原理总结和Python实现）关联规则分析（挖掘）用于发现项目或项目集合之间可能存在的关联模式（或因果结构），如“由于某些事件的发生而引起另外一些事件的发生”之类的规则。经典的案例是通过关联规则挖掘发现“买尿布的男轻父亲通常也会顺便为自己买啤酒”。关联规则数据集示例：编号  交易清单001   可乐 & 鸡蛋 & 香肠002   可乐 & 尿布 & 啤酒003   可乐 & 尿布 & 啤酒 & 香肠004   尿布

支持向量机学习笔记呕心沥血整理的SVM学习笔记，完整总结了SVM的思想和整个求解过程，里面有诸多本人在学习过程中的想法，希望对初学者有帮助！

以优化SVM算法的参数c和g为例，对GSA（引力搜索）算法MATLAB源码进行了详细中文注解。

今天学习一个比较新的优化算法，用差分进化(DE)改进原始的灰狼优化（GWO）得到的HGWO（也可以叫DE-GWO)。

以优化SVM算法的参数c和g为例，对SA（模拟退火）算法MATLAB源码进行了逐行中文注解。

以优化SVR算法的参数c和g为例，对DE（差分进化）算法MATLAB源码进行了详细中文注解。

以优化SVM算法的参数c和g为例，对FA（萤火虫算法）MATLAB源码进行了逐行中文注解。

TOPSIS方法排序的基本思路是首先定义决策问题的正理想解（即最好的）和负理想解（即最坏的），然后把实际可行解（样本）和正理想解与负理想解作比较。通过计算实际可行解与正理想解和负理想解的加权欧氏距离，得出实际可行解与正理想解的接近程度，以此作为排序的依据。若某个可行解（样本）最靠近理想解，同时又最远离负理想解,则此解排序最靠前。通常，当排序时有多个指标需要考虑时，常用“专家打分法”来确定各个指标的

以优化SVM算法的参数c和g为例，对GWO算法MATLAB源码进行了逐行中文注解。

​最近发现要彻底、快速地弄懂一个算法，最好的办法就是找源码来，静下心，一行一行的学习。所以我把ABC算法的源码找来逐行做了中文注释，并以优化SVM参数为例，进行学习。

以优化SVM算法的参数c和g为例，对CS算法MATLAB源码进行了逐行中文注解。

k近邻算法是机器学习中原理最简单的算法之一，其思想为：给定测试样本，计算出距离其最近的k个训练样本，将这k个样本中出现类别最多的标记作为该测试样本的预测标记。 k近邻算法虽然原理简单，但是其泛华错误率却不超过贝叶斯最有分类器错误率的两倍。所以实际应用中，k近邻算法是一个“性价比”很高的分类工具。

解决二分类问题时我们通常用Logistic回归，而解决多分类问题时若果用Logistic回归，则需要设计多个分类器，这是相当麻烦的事情。softmax回归可以看做是Logistic回归的普遍推广（Logistic回归可看成softmax回归在类别数为2时的特殊情况），在多分类问题上softmax回归是一个有效的工具。