- 博客(5)
- 收藏
- 关注
RSS订阅原创 数据分析降维之抽取主成分（PCA）
现实世界导出都是高维度数据，甚至数据特征数都比数据量多。这个时候一些算法无法计算，在许多应用中不在适用。降维技术是解决这个问题的很好办法，但是降维过程中应该尽可能保留数据的结构，这样才能减少运行时间并且数据真实信息尽可能多的保留。这篇博客将主要讲解抽取主成分（principalComponentAnalysis，PCA），它是一种无监督方法。对于多变量问题，PCA在降维时只有很小的信息...
2020-04-28 15:58:34
856
原创 EM算法-细节讲解公式推导
EM算法：EM算法是一种迭代算法，用于含有隐变量的概率模型参数的极大似然估计，或极大后验概率估计。EM算法的每次迭代由两步组成：E步，求期望；M步，求极大。所以这一算法称为期望极大算法（expectationmaximizaiton）。EM算法的引入：概率模型有时候含有观测变量，又含有隐变量或潜在变量，如果概率模型的变量都是观测变量，那么给定数据，可以直接用极大似然估计法，或贝叶斯估...
2020-04-26 11:33:24
661
翻译 朴素贝叶斯算法例题与代码实践
即之前写了朴素贝叶斯算法的理论部分（https://blog.csdn.net/weixin_41899207/article/details/105714493）现在找些例子与代码总结一下。例题1.试由下表的训练数据学习一个朴素贝叶斯分类器并确定x=(2,S)T的类标记y。表中X（1）和X(2)为特征，取值的集合分别为A1={1,2,3}，A2={S,M,L}，Y为类标记，Y属于C=...
2020-04-23 22:04:01
4894
1
原创 朴素贝叶斯算法（理论部分）-Theory of naive Bayes
1.朴素贝叶斯概念：朴素贝叶斯是基于贝叶斯公式与特征条件独立假设的分类方法(注：贝叶斯公式是数学定义，朴素贝叶斯是机器学习算法)。朴素贝叶斯基于输入和输入的联合概率分布，对于给定的输入，利用贝叶斯公式求出后验概率最大的输出y。即可以总结为以下三点1.已知类条件概率密度函数表达式和先验概率2.利用贝叶斯公式转换成后验概率3.根据后验概率大小进行决策分类*贝叶斯公式：2.基...
2020-04-23 20:00:53
537
原创 Datawhale-Learning-Task-1
线性回归总结线性回归的概念原理。 损失函数、代价函数、目标函数。 优化方法（梯度下降、牛顿法、拟牛顿法）。 线性回归的评估。 sklearn代码参数解释。1.线性回归的原理医生初次判断一个人身体情况，在做一些检测之前，可以通过判断一个人是否抽烟、喝酒、锻炼、熬夜、家庭是否有遗传疾病等各种因素来推测其身体健康情况。这里假设用x1,x2,x3,x4,x5等变量表示抽烟、喝酒、锻炼、...
2020-04-20 20:25:49
171
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人