woshiliulei0的专栏

参考文献：1.https://www.jianshu.com/p/2f8d35737cc9

机器学习算法–集成方法一、背景集成方法通常分为两种:1.平均方法该方法的原理是构建多个独立的估计器，然后取它们的预测结果的平均。一般来说组合之后的估计器是会比单个估计器要好的，因为它的方差减小了。示例: Bagging 方法 , 随机森林2.boosting 方法基估计器是依次构建的，并且每一个基估计器都尝试去减少组合估计器的偏差。这种方法主要目的是为了结合多个弱模型，使集成的模型更...

1.https://zhuanlan.zhihu.com/p/75468124

一、阿里机器学习平台调研1.机器学习平台的定义机器学习平台PAI（Platform of Artificial Intelligence），为传统机器学习和深度学习提供了从数据处理、模型训练、服务部署到预测的一站式服务。2.平台优势通过对底层的分布式算法封装，提供拖拉拽的可视化操作环境，让数据挖掘的创建过程像搭积木一样简单，方便您将算法嵌入到自己的工程中。3.机器学习平台的功能特性...

参考文献：1.https://www.codercto.com/a/51325.html

在将多元线性回归之前先明确几个机器学习中常用的概念。一、几个级别概念1.假设函数(Hypothesis)假设函数：就是预测函数例如一元线性回归：hθ(x)=θ0+θ1xh_\theta(x) = \theta_0 +\theta_1xhθ​(x)=θ0​+θ1​x2.损失函数(Lost function)损失函数：计算的一个样本的误差例如：lθ(x)=h(xi)−yil_\theta...

1.PCA降维2SVD降维

一、定义条件概率是指事件A在另外一个事件B已经发生条件下的发生概率。条件概率表示为：P（A|B），读作“在B的条件下A的概率”。若只有两个事件A，B，那么， P(A∣B)=P(AB)P(B)P(A|B) = \frac {P(AB)}{P(B)}P(A∣B)=P(B)P(AB)​。二、公式P(A∣B)=P(AB)P(B)P(A|B) = \frac {P(AB)}{P(B)}P(A∣B)=...

一、目标函数的分类1.回归的目标函数均方差（MSE）损失 MSE=−p(x)log(q(x))MSE=−p(x)log(q(x))MSE = -p(x)log(q(x))2.分类的目标函数交叉熵损失 CE=(yi−yj)2CE=(yi−yj)2CE = (y_{i} - y_{j})^2 ...

一、算法定义PageRank，网页排名，又称网页级别、Google左侧排名或佩奇排名，是一种由 [1] 根据网页之间相互的超链接计算的技术，而作为网页排名的要素之一，以Google公司创办人拉里·佩奇（Larry Page）之姓来命名。Google用它来体现网页的相关性和重要性，在搜索引擎优化操作中是经常被用来评估网页优化的成效因素之一。Google的创始人拉里·佩奇和谢尔盖·布林于1998...

一、关键词抽取分类关键词抽取算法可以分为两类1.使用外部的知识库(1).TF-IDF TF-IDF关键词提取算法就是需要保存每个词的IDF值作为外部知识库 (2).LDA模型2.不适用外部知识库(1).TextRank (2).PageRank...

一、基本概念1.分类原理通过某对象的先验概率，利用贝叶斯公式，计算出其后验概率。即该对象属于某一类的概率，选择具有最大后验概率的类作为该对象所属的类。2.贝叶斯公式P(A|B)=P(B|A)∗P(A)P(B)P(A|B)=P(B|A)∗P(A)P(B)P(A|B) = \frac{P(B|A)*P(A)}{P(B)}(1).其中P(A)为先验概率：先验概率（prior...

雷锋网按：本文作者为Jahnavi Mahanta，前American Express（美国运通公司）资深机器学习工程师、深度学习在线教育网站Deeplearningtrack联合创始人。Jahnavi Mahanta：对算法的作用建立直觉性的理解——在我刚入门机器学习的时候，这让我觉得非常困难。不仅仅是因为理解数学理论和符号本身不容易，也因为它很无聊。我到线上教程里找办法，但里面只有公式

1. 引言也许你和这个叫『机器学习』的家伙一点也不熟，但是你举起iphone手机拍照的时候，早已习惯它帮你框出人脸；也自然而然点开今日头条推给你的新闻；也习惯逛淘宝点了找相似之后货比三家；亦或喜闻乐见微软的年龄识别网站结果刷爆朋友圈。恩，这些功能的核心算法就是机器学习领域的内容。套用一下大神们对机器学习的定义，机器学习研究的是计算机怎样模拟人类的学习行为，以获取新的知识或技能，

SVM是一种训练机器学习的算法，可以用于解决分类和回归问题，同时还使用了一种称之为kernel trick的技术进行数据的转换，然后再根据这些转换信息，在可能的输出之中找到一个最优的边界。简单来说，就是做一些非常复杂的数据转换工作，然后根据预定义的标签或者输出进而计算出如何分离用户的数据。

- 1+1等于几 ？- 50- 傻x，多了- 1+2等于几？- 20- 傻x，多了- 3+4等于几- 7- 傻x，对了- 6+9等于几- 13- 傻x，少了很多很多次以后……- 2+2等于几- 4- 4+5等于几- 9这就是机器学习，准确来说是最常见的一种，监督学习。最开始的几步是对于模型的训练

支持向量机是属于原创性、非组合的具有明显直观几何意义的分类算法，具有较高的准确率。        使用SVM算法的思路：（1）简单情况，线性可分情况，把问题转化为一个凸优化问题，可以用拉格朗日乘子法简化，然后用既有的算法解决；（2）复杂情况，线性不可分，用核函数将样本投射到高维空间，使其变成线性可分的情形，利用核函数来减少高纬度计算量。       一、SVM相关基本概念