![](https://img-blog.csdnimg.cn/20201014180756925.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器学习
TransientYear
凑个32块的整
展开
-
用线性回归找到最佳拟合直线(附实战代码python)
1.寻找数据的拟合直线,即线性回归。要找到,最佳的拟合直线 : (以只有一个特征的数据为例)利用最小二乘估计 寻找最佳的参数,(为什么使用最小二乘估计,即差的平方和,而不用绝对值或者四次方作为成本函数,见最小二乘法的概率解释)...原创 2018-05-06 11:29:34 · 31804 阅读 · 51 评论 -
K近邻(原理公式推导+python实战代码分析)(全)
学习文档:KNN学习笔记实战代码:KNN实战代码机器学习入门。KNN学习过程中遇到的问题,记录下来,可以说是学习笔记,希望能给大家带来帮助。由于手写难免会有一些错误察觉不到,广泛讨论,共同进步。邮箱:1194585271@qq.com...原创 2018-11-05 17:41:19 · 754 阅读 · 0 评论 -
决策树(原理公式推导+python实战代码分析)(全)
学习文档:决策树学习笔记实战代码:决策树实战代码机器学习入门。决策树学习过程中遇到的问题,记录下来,可以说是学习笔记,希望能给大家带来帮助。由于手写难免会有一些错误察觉不到,广泛讨论,共同进步。邮箱:1194585271@qq.com...原创 2018-11-05 17:46:29 · 5293 阅读 · 3 评论 -
AdaBoost(原理公式推导+python实战代码分析)(全)
学习文档:AdaBoost学习文档实战代码:AdaBoost实战代码机器学习入门。AdaBoost学习过程中遇到的问题,记录下来,可以说是学习笔记,希望能给大家带来帮助。由于手写难免会有一些错误察觉不到,广泛讨论,共同进步。邮箱:1194585271@qq.com...原创 2018-11-12 18:03:27 · 1748 阅读 · 2 评论 -
AE(Autoencoder)详解 (pytorch实现)
这里写自定义目录标题欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题,有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能,丰富你的文章UML 图表FLowchart流程图导出与导入导出导入欢迎使用Ma...原创 2019-03-27 18:23:35 · 13214 阅读 · 5 评论 -
详解机器学习中 ROC曲线、AUC值、正确率、召回率
文章目录前言简介医学图像识别二分类问题ROC 曲线如何画ROC曲线AUC前言简介在分类任务中,人们总是喜欢基于错误率来衡量分类器任务的成功程度。错误率指的是在所有测试样例中错分的样例比例。实际上,这样的度量错误掩盖了样例如何被分错的事实。在机器学习中,有一个普遍适用的称为混淆矩阵(confusion matrix)的工具,它可以帮助人们更好地了解分类中的错误。比如有这样一个在房子周围可能发现...转载 2019-04-18 10:47:44 · 17483 阅读 · 1 评论 -
线性回归中关于特征收缩与选择的方法比较(七种常用的线性回归)(python-sklearn实现)
文章目录什么是特征收缩或者特征选择设置和数据加载线性回归偏差方差均衡最佳子集回归本文讨论了线性回归中七种常用的特征收缩和选择方法的数学属性和实际的Python应用。什么是特征收缩或者特征选择在线性回归中,特征收缩或者特征选择意味着从可用特征中选择要包含在模型中的子集特征,从而减少其维数。另一方面,收缩意味着减小系数估计的大小(可将它们缩小到零)。请注意,如果系数缩小到恰好为零,则相应的变量将...翻译 2019-05-13 14:27:00 · 6690 阅读 · 2 评论 -
详解最大似然估计(MLE)、最大后验概率估计(MAP),以及贝叶斯公式的理解
文章目录概率和统计是一个东西吗?贝叶斯公式到底在说什么?似然函数最大似然估计最大后验概率估计最大似然估计和最大后验概率估计的区别最大似然估计(Maximum likelihood estimation, 简称MLE)和最大后验概率估计(Maximum a posteriori estimation, 简称MAP)是很常用的两种参数估计方法,如果不理解这两种方法的思路,很容易弄混它们。下文将详细说...转载 2019-06-27 17:10:53 · 2493 阅读 · 2 评论 -
机器学习概率基础-高斯分布相关重要知识推导
文章目录高斯分布的最大似然估计参数均值与方差的有偏无偏估计关于均值的无偏估计关于方差的有偏估计高斯分布的最大似然估计数据 X=(x1,⋯ ,xN)⊤=(x1⊤⋮xN⊤)N×p,xi∈RP,xi∼ iid N(μ,Σ)X=\left(x_{1}, \cdots, x_{N}\right)^{\top}=\left(\begin{array}{c...原创 2019-07-15 12:51:18 · 772 阅读 · 0 评论 -
感知机(原理公式推导+python实战代码分析)(全)
学习文档:感知机学习笔记实战代码:感知机实战代码机器学习入门。感知机学习过程中遇到的问题,记录下来,可以说是学习笔记,希望能给大家带来帮助。由于手写难免会有一些错误察觉不到,广泛讨论,共同进步。邮箱:1194585271@qq.com...原创 2018-11-05 17:26:09 · 1623 阅读 · 0 评论 -
支持向量机(原理公式推导+python实战代码分析)(全)
实战代码:支持向量机实战代码(全)学习文档:支持向量机学习文档(全)机器学习入门。支持向量机学习过程中遇到的问题,记录下来,可以说是学习笔记,希望能给大家带来帮助。由于手写难免会有一些错误察觉不到,广泛讨论,共同进步。邮箱:119458...原创 2018-10-12 17:22:55 · 1445 阅读 · 0 评论 -
朴素贝叶斯算法(原理,似然参数公式推导+python实战代码分析)
实战代码:朴素贝叶斯实战代码python学习笔记文档:朴素贝叶斯学习文档机器学习入门。朴素贝叶斯学习过程中遇到的问题,记录下来,可以说是学习笔记,希望能给大家带来帮助。由于手写难免会有一些错误察觉不到,广泛讨论,共同进步。邮箱:1194585271@qq.com...原创 2018-08-03 09:46:06 · 1322 阅读 · 0 评论 -
最小二乘法的概率解释
当我们面对回归问题时,为什么会采用线性回归,最小二乘法来定义成本函数,即1/2的差的平方和。这里给出概率解释:我们拟合的直线的函数值即预测值必然和真实值会存在误差。那么假定一个等式: 其中各个样本的误差项,是独立同分布且服从高斯分布(正态分布)。(可根据中心极限定理来看)即就是: 均值为0,容易理解.所以, ...原创 2018-05-05 17:41:41 · 6687 阅读 · 0 评论 -
最小二乘估计,矩阵求导法(正规方程)全推导
1.矩阵求导:函数自变量是矩阵,求导是对矩阵的每一个元素分别求导后,组成新的矩阵。例:2.矩阵的迹: 矩阵迹的常用性质: 矩阵迹与矩阵求导相关结论:3.证明最小二乘的正规方程(矩阵...原创 2018-05-06 11:28:31 · 14922 阅读 · 0 评论 -
局部加权线性回归(附实战代码python)
1. 前言: 我们知道线性回归的一个问题就是欠拟合,将不能取得很好的预测效果。因为它是具有最小均方误差的无偏估计。解决这个问题的方法就是允许在估计中一些偏差。其中一个非常有效的方法就是局部加权线性回归(LWLR)。2. 算法思想: 2.1. 比较线性回归: 2.2. 局部加权线性回归:(使用高斯核权重) ...原创 2018-05-06 15:00:32 · 18151 阅读 · 3 评论 -
高斯判别算法(生成学习算法,完整理论证明,似然估计,参数计算)
原学习文档:高斯判别算法学习文档 机器学习入门。逻辑回归学习过程中遇到的问题,记录下来,可以说是学习笔记,希望能给大家带来帮助。由于手写难免会有一些错误察觉不到,望指出。广泛讨论,共同进步。...原创 2018-07-17 18:31:04 · 1592 阅读 · 0 评论 -
线性回归学习文档(理论推导+实战)附实战代码
附:实战代码线性回归实战代码局部加权回归实战代码利用线性回归预测鲍鱼年龄实战代码 附PDF学习文档线性回归学习文档PDF 机器学习入门。线性回归学习过程中遇到的问题,记录下来,可以说是学习笔记,希望能给大家带来帮助。由于手写难免会有一些错误察觉不到,广泛讨论,共同进步。邮箱:1194585271@qq.com...原创 2018-07-13 11:53:35 · 458 阅读 · 2 评论 -
逻辑回归学习文档(理论推导+实战)附实战代码
附录:逻辑回归实战代码逻辑回归学习文档PDF机器学习入门。逻辑回归学习过程中遇到的问题,记录下来,可以说是学习笔记,希望能给大家带来帮助。由于手写难免会有一些错误察觉不到,广泛讨论,共同进步。邮箱:1194585271@qq.com...原创 2018-07-13 15:25:13 · 522 阅读 · 0 评论 -
softmax激活+crossEntropy损失求导公式推导
文章目录原创 2019-08-19 10:03:17 · 2649 阅读 · 1 评论