生信小兔-CSDN博客

求微分方程的近似解在实际问题的解决中具有极其重要的作用，因为在大多情况下我们很难求出微分方程的函数表达式，或是表达式过于复杂，此时便可以用数值计算的方法求该微分方程的近似解。欧拉法便是其中一种最为简单的求常微分方程近似解的方法，该方法较为简单，同时也有比较明显的缺陷，但也是其它的求解微分方程近似解方法的基础。算法原理欧拉法求解过程是一个递归的过程，这个思想和牛顿法、梯度下降法是相似的。并且它将函数离散化，分割成一个个小段来求解。欧拉法求解的常微分方程的形式通常为：右边是关于x,y的任意函数，

2022-05-28 08:34:16 11990 1

原创 Hopfield神经网络（HNN）详解

Hopfield神经网络是一种比较特殊的网络，它不像一般的神经网络那样有输入层和输出层，并且通过训练来改变神经网络中的参数，最终实现预测、识别等功能。Hopfield网络只有一群神经元节点，所有节点之间相互连接，形式如下：虽然有些文章会画出像深度神经网络那样有输入输出的图，并且输出后又返回输入，但本质上就是多个节点之间的全连接，也就是上面的图形。Hopfield神经网络主要有两个应用：一是起到类似储存器的作用，也就是我们把多个序列或图片输入这个网络，最终这个网络会以神经元之间连接权重的形式储存这

2022-05-12 15:21:43 20591 1

原创激活函数（activation function)的种类与应用

激活函数在逻辑回归、感知机、神经网络系列模型中有着重要的作用，是神经网络最重要的组成成分之一。如果把神经网络模型比作一台机器，那么激活函数就起着类似信号处理器的作用，把输入的数据进行处理然后准备输出。在一般的神经网络中，激活函数负责把上一层输出的数据（一般是向量或矩阵）计算后的结果进行处理，得到新的一组数（即新的输出），对应就是下面蓝色与红色之间的直箭头部分。例如，对与上面的三层神经元（一般会把蓝色和红色合并成一个节点，这里兔兔为了展示方便，画成两个圆）。我们以中间层为例。中间的左半部分..

2022-05-11 09:40:02 2866

原创多元函数牛顿法求函数极小值

多元函数牛顿法求极小值是对一元函数牛顿法的延申，关于一元函数牛顿法，可以看兔兔的《牛顿法（Newton's method）求函数极小值》一文。（一）算法原理与一元函数形式相似，但是又有很大的区别。首先，兔兔先介绍两个需要用到的基本概念：Hession矩阵和梯度。对于一个多元函数,有n个自变量，为n元函数，其Hession矩阵形式如下：并且自变量（向量x）为：函数的梯度定义为：例如对于二元函数,它的梯度就是。其Hession矩阵为：从本质上来说，多元函数梯度对应就是

2022-05-10 12:44:02 3766

原创牛顿法（Newton‘s method）求函数极小值

牛顿法一般指牛顿迭代法，也叫做牛顿-拉夫逊（拉弗森）方法（Newton-Raphson method),其最初的作用是用来求解函数的零点，但是也可以像梯度下降方法一样，以迭代的形式来求函数的极值。而事实上，牛顿法求零点和极值的思想是一样的，因为函数的极值点对应就是函数的导数的零点（但导数零点有时可能是函数的极大、极小或驻点）。所以牛顿法求函数极小值还是有许多的问题的。（一）牛顿法求零点。（1）基本原理牛顿法的思想就是在函数曲线上初始一个点，做该点的切线与x轴交于x0，然后再过（x0,f(x0))

2022-05-10 10:50:52 9681 2

原创判别分析（1）——距离判别法

判别分析是多元统计分析的内容，其作用在分类确定的条件下，根据某一研究对象的各种特征的值来判断其归属于哪一类（即总体）。实际上，这一类问题就是根据已有的样本数据与对应的类别，判断未知类别的数据属于哪一类。像逻辑回归、支持向量机等从某种意义上来说也属于是判别分析的一种，只不过这些算法需要根据样本对模型进行训练，从而能够利用未知数据的各个指标判断其属于哪一类；而统计学中的判别分析，并没有利用数据进行训练，而是按照一定的判别准则、建立判别函数来判断新的数据属于哪一类。判别分析有许多的方法。本文讲述的是判别分析比

2022-04-23 20:55:15 9863 1

原创相似性度量（距离度量）方法（二）：字符串（文本）相似性度量

在本篇文章中，兔兔讲述字符串的相似性（距离）度量方法与算法实现。（1）海明距离。根据（一）篇当中的内容，我们已经知道了海明距离的度量方法。即判断字符串对应位置是否相等。def Hamming_distance(list1,list2): n=len(list1) #n为列表长度，且list1与list2长度相等 s=0 for i in range(n): if list1[i]==list2[i]: s+=1 e

2022-04-21 20:57:19 1819

原创相似性度量（距离度量）方法（一）：基本种类与公式

相似性度量（或距离度量）方法在多元统计中的聚类分析、判别分析中的距离判别法、泛函分析、机器学习等方面都有应用。所以对于数据分析、机器学习等方面，掌握相似性的不同度量方法是十分重要且必要的。相似性度量与距离度量本质上是同一件事情。如果两组数据之间的距离越大，那么相似性越小；反正，如果相似性越大，那么距离越小，这是可以直观理解的。但是距离度量与相似度量还是有一点点区别的。距离度量，一般情况下距离是大于0的数；而相似性或相异性通常数值介于[0,1]之间。相似性与相异性统称为邻近度。对于相似性的度量，首

2022-04-20 16:22:45 23359 4

原创 k-均值（k-means)聚类

k-均值聚类实际上是多元统计分析中的聚类分析部分的内容，但是也是机器学习的基础算法。它的目的就是把数据（无标签）进行分类，但是具体分多少个类却不知道，只能我们先认为的假设分为多少个类进行计算。聚类与分类是有着本质区别的。对于分类问题及其算法算法（如逻辑回归、支持向量机等分类算法），它们属于监督学习——根据原有的数据（有标签类别）和对应的类别进行训练，训练后可以把新的未知类别的数据进行预测判别其属于哪一类；而聚类则是只有一堆数据，我们不知道类别（即无标签），而是人为地进行分类。简单来说，分类问题，就好比人

2022-04-17 20:06:07 9231 2

原创免疫算法（Immune Algorithm)详解

关于免疫算法（IA），其功能与遗传算法、模拟退火等算法实现的功能是相同的，都是用来求最优解。例如求函数最值、旅行商问题等。从本质上说，免疫算法更像是遗传算法的一种延申。IA虽然其中借鉴了生物学（免疫学）的概念，但学习时需要注意，IA毕竟是一种算法，把算法中所有概念都与免疫学概念联系起来是容易难以理解算法的，甚至容易混淆。所以IA只是借鉴免疫学概念并受免疫过程的启发，最终其实还是需要回归到算法当中。即便如此，兔兔在后面还是需要将算法与一些生物学概念联系，但是会辨别其中本质区别。而且学习时需要与遗传算法相结

2022-04-17 13:29:19 11693 12

原创逻辑回归（Logistic Regression)详解

逻辑回归也称作logistic回归分析，是一种广义的线性回归分析模型，属于机器学习中的监督学习。其推导过程与计算方式类似于回归的过程，但实际上主要是用来解决二分类问题（也可以解决多分类问题）。通过给定的n组数据（训练集）来训练模型，并在训练结束后对给定的一组或多组数据（测试集）进行分类。其中每一组数据都是由p 个指标构成。（1）逻辑回归所处理的数据逻辑回归是用来进行分类的。例如，我们给出一个人的 [身高，体重] 这两个指标，然后判断这个人是属于”胖“还是”瘦“这一类。对于这个问题，我们可以先测量n个

2022-04-14 22:20:10 202348 28

原创蒙特卡罗（Monte Carlo) 模拟

蒙特卡罗模拟（方法），也称为计算机随机模拟方法、统计模拟法、统计试验法，是基于”随机数“的计算方法，或者是说把概率现象作为研究对象的数值模拟方法。其数学基础是大数定律与中心极限定理。其基本思想是：为了求解问题，先建立一个概率模型或随机过程，再通过对过程的观察或抽样试验来计算参数或数字特征。最后求出解的近似值。蒙特卡罗模拟求解实际问题的基本步骤：（1）根据问题特点，构造概率统计模型，使所求的解是所求问题的概率分布或数学期望。（2）给出模型中各种不同分布的随机变量的抽样方法。（3）统计处理模拟结

2022-04-13 09:31:21 44228 4

干菜豆数据资料——dry bean dataset

玉米各个表现型数据资料

空空如也