zzZ_CMing的博客

前言：粗略研究完神经网络基础——BP、CNN、RNN、LSTM网络后自己算是松懈了很多，好长的时间都没有坚持再更新博客了。“腐败”生活了这么久，还是要找到自己一点乐趣吧，于是想了一想，决定把《机器学习》的算法研究过得都重新梳理一遍，于是就从无监督学习——聚类开始了 –—-—-—-—-—-—-—-—-—-—-—-—–—-—-—-—-—-—-—-——-—-—-—-—-—-—-—-—-—-—-—-—-—

前言：无监督学习想快一点复习完，就转入有监督学习 –—-—-—-—-—-—-—-—-—-—-—-—–—-—-—-—-—-—-—-——-—-—-– –—-—-—-—-—-—-—-—-—-—-—-—–—-—-—-—-—-—-—-——-—-—-–什么是无监督学习？无监督学习也是相对于有监督学习来说的，因为现实中遇到的大部分数据都是未标记的样本，要想通过有监督的学习就需要事先人为标注好样本标签，这个成

前言：Density Peaks聚类算法和DBSCAN聚类算法有相似的地方，两者都是基于密度的聚类方式。自己是在学习无监督学习过程中，无意间见到介绍这种聚类算法的文章，感觉Density Peaks聚类算法方法很新奇，操作也很简答，于是自己也动手写一下了。 –—-—-—-—-—-—-—-—-—-—-—-—–—-—-—-—-—-—-—-——-—-—-—-—-—-—-—-—-—-—-—-—-—-——-

待完善–—-—-—-—-—-—-—-—-—-—-—-—–—-—-—-—-—-—-—-——-—-—-—-—-—-—-—-—-—-—-—-—-—-——- –—-—-—-—-—-—-—-—-—-—-—-—–—-—-—-—-—-—-—-——-—-—-—-—-—-—-—-—-—-—-—-—-—-——-系列推荐：【监督学习】1：KNN算法实现手写数字识别的三种方法 –—-—-—-—-—-—-—-—-—-—-

前言：学习谱聚类，最好有一些图论、矩阵分解（SVD）方面的知识，这样会更加有利于谱聚类的学习。当然，谱聚类理解起来并不困难，实际操作也大多是谱聚类+K-means聚类联合使用的。 –—-—-—-—-—-—-—-—-—-—-—-—–—-—-—-—-—-—-—-——-—-—-—-—-—-—-—-—-—-—-—-—-—-——- –—-—-—-—-—-—-—-—-—-—-—-—–—-—-—-—-—-—-

没人会看的开场白：本来觉得自己从数据建模转人工智能方向应该问题不大（自我感觉自己算法学的不错）。结果一个K-邻近实现手写数字识别的代码就让我改了三四天。虽然网上这方面的代码是很多，但是我运行了好几个，结果都不是很理想。一次偶然的念想——为什么我不把这些代码的优点结合在一起呢，于是说做就做，年轻人嘛，反正有时间燥起来，再加上自己准备的毕业论文也是这个，动动手总有益处，于是就拙笔于此，有更好的建议与意见

待完善

待完善

待完善

待完善

一、回顾：逻辑回归在逻辑回归里，损失costcostcost与xxx的关系如下：结合Sigmod函数可得：当y=1y=1y=1是正例的情况下，cost(y=1)=−log(hθ(x))cost(y=1)=-log(h_θ(x))cost(y=1)=−log(hθ​(x))，xxx越大，costcostcost越小；当y=0y=0y=0是负例的情况下，cost(y=0)=−log(1−...

前言：【线性可分数据】的支持向量机的原理在这里，上一篇博客也详细介绍了支持向量机的每一步算法原理，这一篇博客主要介绍针对【线性不可分数据】的处理方法，主要是软间隔与核函数的处理方法。–-----------------------------------------------------------------------------—------------------------––-...