机器学习
努力加油不放弃
这个作者很懒,什么都没留下…
展开
-
机器学习(1)线性回归
1 简介文章作为自己学习整理机器学习的心得的笔记,只整理学习思路和代码实现,作为回忆和备忘。此外这里只整理机器学习中的非深度学习的算法,深度学习的会另外整理。2 线性回归 (1)算法是核心 机器学习的核心算法不是代码,同其他算法不同之处在于,其他算法是在数据结构、代码实现以及参数已经确定的前提下,输入特定的数据来得到固定的响应输出;机器学习的核心算法,往往算法的参数没有确定,算法的代...原创 2018-04-22 14:38:29 · 324 阅读 · 0 评论 -
机器学习(2)回归与分类
1 回归与分类 线性回归的损失函数选择时候,基于误差分布的客观假定,通过最大似然的计算法则得出了损失函数。其实在对一个样本分布进行建模和预测的时候,更本质上来讲是对一个样本概率分布的预测,其概率分布依赖于训练样本和规则(算法)。因此在数学意义上来讲,机器学习的最优化选择是样本概率分布的最大点的预测。 回归模型和分类模型可以通过sigmoid函数和softmax函数建立联系。 注意...原创 2018-04-22 19:39:45 · 326 阅读 · 0 评论 -
MATLAB中自带分类器的安装以及使用
版本matlab2015a背景介绍: 基于机器学习的分类算法,包括有SVM、决策树、线性回归等监督算法。通过输入特征值和真实响应,训练数学分类模型,matlab提供图形化可视界面,方便进行分类方法的选择以及数据预测。启动:首先将训练模型import到workspace空间内,其中CreditRating为训练样本。在命令窗口内输入classificationLearner,打开窗口。模型训练...原创 2018-04-19 21:32:46 · 5557 阅读 · 6 评论 -
手写数字的识别分类+技术总结
(1)学习转载一篇关于机器学习手写数字的识别Python 3 利用机器学习模型 进行手写体数字检测Python 3 生成手写体数字数据集(2)技术总结机器学习代码实现的初级阶段,既要自己上手项目,也要多看其他前辈的博文,特别是一些附加有算法思路的项目。自己动手实现,只有在代码实现过程才能发现许多问题,总结基础代码,备用。文件夹自动生成:@author: 王乾"""import ospath_...原创 2018-04-24 17:29:42 · 4098 阅读 · 0 评论 -
手写数字的识别分类+性能优化(二)
书接上回,再表一枝(1)模型预测精度问题 上次出现的问题是自己训练出来的模型精确度和训练样本的数量不是呈现正相关关系,检查发现与原文作者的代码在实际执行的时候出现问题,也可能作者上传的代码不全(捂脸),代码如下图所示。此文件是特征提取部分代码get_features.py,对于第58行,同sample_nums下,选择的都是遍历所有图像,所以最后储存在score中的数据是同等训练样本数目...原创 2018-04-25 17:02:55 · 917 阅读 · 0 评论 -
机器学习(3)支持向量机SVM
前言SVM(support vector machine)算法属于机器学习算法里面(不包括深度学习算法)理论比较复杂同时十分有效的分类算法,因此在学习过程中也花了不少心思,尤其是一些证明过程。网上也已经有许多整理好的博文,动笔过程中在学习这些前辈的博文的基础上加上自己对这些算法的理解以及一些实际的利用。另外,因为是站在自己理解的基础上写这篇文章,所以可能很多部分的具体过程不是特别详细,需要更加详细...原创 2018-04-27 17:02:49 · 554 阅读 · 0 评论 -
Deep Learning
2015年,深度学习三位大牛(Yann LeCun,Yoshua Bengio & Geoffrey Hinton),合作在Nature上发表深度学习的综述性论文,介绍了什么是监督学习、反向传播来训练多层神经网络、卷积神经网络、使用深度卷积网络进行图像理解、分布式特征表示与语言处理、递归神经网络,并对深度学习技术的未来发展进行展望。 原文摘要: 1,深度学习可...转载 2018-05-13 10:44:02 · 285 阅读 · 0 评论 -
python爬取链家新房数据
转载:https://blog.csdn.net/clyjjczwdd/article/details/79466032from bs4 import BeautifulSoupimport requestsimport timeimport pandas as pdheaders = { 'User-Agent': 'Mozilla/5.0 (compatible; MS...转载 2018-09-29 19:55:45 · 2052 阅读 · 0 评论