zarathurstra的博客

看了很多，对我来说最有帮助的是Python3《机器学习实战》学习笔记（八）：支持向量机原理篇之手撕线性SVM截图保存一下内容# -*- coding:UTF-8 -*-from time import sleepimport matplotlib.pyplot as pltimport numpy as npimport randomimport types"""函数说明:读取数据 fileName - 文件名 dataMat - 数据矩阵 labelMat

感知器的流程：y=f(Wx+b) W是权值 b是偏置量（bias）→其实可写成y=f(WTx) 因为可以b可以处理成W0*x0 Wi←Wi+ΔWi b←b+Δb ΔWi=η(t-y)xiη是学习率(learning-rate),t是真实值(label),y是预测值(output) Δb=η(t-y) import numpy as npimport matplotlib.pyplot as pltfrom mpl_toolkits.mplot3d import Axes3D...

计算流程在线性判别分析LDA原理总结文章总结了计算类内间散度矩阵的原理是计算类内间散度矩阵有了算法步骤和计算所需要的公式，可以实现代码：

k近邻法的实现步骤：对于一个测试样本计算到训练样本的距离，选出其中最近的k个，其中数量最多的类，就是预测结果。

自己计划实现一遍模式识别里的内容。Parzen窗估计是非参数估计。我在https://blog.csdn.net/john_bian/article/details/53127091文章和https://blog.csdn.net/pallypally/article/details/8026762?utm_medium=distribute.pc_relevant_t0.none-task-blog-BlogCommendFromMachineLearnPai2-1.nonecase&dept