机器学习
麦、积
这个作者很懒,什么都没留下…
展开
-
机器学习两种归一化:
一:二: 大多数机器学习算法中,会选择Standardization来进行特征缩放,但是,Min-Max Scaling也并非会被弃置一地。在数字图像处理中,像素强度通常就会被量化到[0,1]区间,在一般的神经网络算法中,也会要求特征被量化[0,1]区间。 三:代码实现# ...def standardize(X): """特征标准化处理 Args:...原创 2018-10-09 14:34:35 · 282 阅读 · 0 评论 -
CASIA-WEBFACE数据集
百度云链接:https://pan.baidu.com/s/1cnnKrYQDheNfoEhcDoShyA提取码:vk36原创 2018-10-10 22:46:24 · 16026 阅读 · 39 评论 -
极大似然估计思想的最简单解释
极大似然估计法的理解可以从三个角度入手,一个是整体性的思想,然后两个分别是离散状态的极大似然估计和连续状态的极大似然估计的简单例子。一、思想极大似然估计可以拆成三个词,分别是“极大”、“似然”、“估计”,分别的意思如下:极大:最大的概率似然:看起来是这个样子的估计:就是这个样子的连起来就是,最大的概率看起来是这个样子的那就是这个样子的。举个例子:有两个妈妈带着一个小孩到了你的面...转载 2019-02-23 11:23:20 · 278 阅读 · 0 评论 -
为什么朴素贝叶斯如此“朴素”?
为什么朴素贝叶斯如此“朴素”? 贝叶斯算法简单高效,在处理分类问题上,是首先要考虑的方法之一。1、简述贝叶斯定理: 贝叶斯分类是一类分类算法的总称,这类算法均已贝叶斯定理为基础,故统称为贝叶斯分类。 公式如下: P(B|A)=P(A|B)P(B)P(A)该公式最大的优点就是可以忽略AB的联合概率直接求其条件概率分布。2、朴素贝叶斯分类: 因为它假定所有的特征在数...原创 2019-03-15 11:42:00 · 3004 阅读 · 0 评论 -
机器学习之---PR曲线和ROC曲线
1.混淆矩阵对于二分类问题,可将样例根据其真实类别与学习期预测类别的组合划分为真正例(True Positive),假正例(False Positive),真反例(True Negative),假反例(False Negative)四种情形,四种情形组成的混淆矩阵如下:真实值 预测值 正例 负例 正例 TP FN 负例 FP TN 2. ...原创 2019-03-18 15:44:46 · 1075 阅读 · 0 评论 -
机器学习之生成模型和判别模型,统计三要素和各种空间概念
1.生成模型和判别模型生成模型:生成方法由数据学习联合概率分布P(X,Y),然后求出条件概率分布P(Y|X)作为预测的模型。典型的生成模型有朴素贝叶斯和隐马尔可夫模型。生成方法的特点:生成方法可以还原出联合概率分布P(X,Y),而判别方法不能,生成方法收敛速度更快,当样本容量增加时,学到的模型可以更快的收敛于真实模型,当存在隐变量时,仍可以用生成方法学习,此时判别方法不能用。判别模...原创 2019-03-18 16:00:00 · 342 阅读 · 0 评论 -
参数估计之极大似然估计
很不错,值得收藏https://blog.csdn.net/qq_32742009/article/details/81460815原创 2019-03-22 18:30:22 · 327 阅读 · 0 评论 -
深图--度优先搜索与广度优先搜索
def dfs(adj, start): visited = set() stack = [[start, 0]] print(adj[start]) while stack: (v, next_child_idx) = stack[-1] if (v not in adj) or (next_child_idx >= len...原创 2019-05-17 13:24:07 · 148 阅读 · 0 评论