發(fā)簡信
IP屬地：四川
-
-
TensorFlow入門（二）mnist與softmax
MNIST For ML Beginners 這個教程是給機(jī)器學(xué)習(xí)和TensorFlow的新手準(zhǔn)備的笛丙，如果你已經(jīng)知道MNIST是什么扭仁，softmax(多項(xiàng)式回歸)是什么惑朦，可以...
-
黑化肥發(fā)灰吩蔑，灰化肥發(fā)黑
-
請教一下樓主烛芬，為啥要進(jìn)行bool變量處理飒责？
Kaggle初探--房價(jià)預(yù)測案例之模型建立
概述 本文數(shù)據(jù)來源kaggle的House Prices: Advanced Regression Techniques大賽赘娄。 本文接著Kaggle 初探 -- 房價(jià)預(yù)測案例...
-
-
PCAPCA是一種無參數(shù)的數(shù)據(jù)降維方法嗅义。 首先看如下一張圖 這是一組二位數(shù)據(jù)圖，這些數(shù)據(jù)形成一個橢圓形狀的點(diǎn)陣西采，那么這個橢圓有一個長軸和一個短軸继控。在短軸方向上胖眷，數(shù)據(jù)變化很少霹崎；在極端...
-
集成之 AdaBoost算法Boosting 屏幕快照 2018-03-02 下午12.10.47.png 上圖（圖片來自prml p660）就是一個Boosting的過程劳淆，綠色的線表示目前取得的模型（...
-
Bagging 和Boosting 概念和區(qū)別
Bagging和Boosting都是將已有的分類或回歸算法通過一定方式組合起來，形成一個性能更加強(qiáng)大的分類器曲掰，更準(zhǔn)確的說這是一種分類算法的組裝方法奈辰。即將弱分類器組裝成強(qiáng)分類器...
-
支持向量機(jī)（SVM）支持向量機(jī) 我們要像線性分類器一樣找到一個超平面吊趾，不僅能夠?qū)?shù)據(jù)點(diǎn)進(jìn)行一個準(zhǔn)確的分隔房官，同時(shí)我們希望所有的點(diǎn)盡量都能夠遠(yuǎn)離我們的超平面趾徽。 一般來說续滋，我們查找最近點(diǎn)和超平面之間的...
-
神經(jīng)網(wǎng)絡(luò)
MP神經(jīng)單元 多層神經(jīng)單元 特點(diǎn) 優(yōu)點(diǎn) 缺點(diǎn) MP神經(jīng)單元 關(guān)于平面直線方程h = ax + by +c = 0翰守，等式左邊大于零和小于零分別表示點(diǎn)在直線的一側(cè)還是另一側(cè)。 ...
-
邏輯回歸
分類問題 相比較線性回歸疲酌，邏輯回歸主要是針對分類問題蜡峰。他輸出的結(jié)果只有兩種，其中“0”表示“否”朗恳，“1”表示是“是”湿颅。 一般線性模型的假設(shè)函數(shù)為“y=wx+b”，其實(shí)邏輯回歸...
-
隨便寫
-
線性回歸單變量線性回歸 多變量線性回歸 局限性 梯度下降法 優(yōu)點(diǎn) 缺點(diǎn) 單變量線性回歸 模型線性回歸假設(shè)數(shù)據(jù)集中每個yi和xi之間存在一種線性關(guān)系，針對這種未知的線性關(guān)系可以提出如下...
-
決策樹判別模型 C3決策樹算法流程 每次選擇其中一個特征對樣本集進(jìn)行分類 對分類后的子集遞歸進(jìn)行步驟1 一般來說最理想的是樣本都屬于同一個分類怀浆，但是一般情況下谊囚，我們根據(jù)選取特征來實(shí)...
-
貝葉斯算法貝葉斯理論 最大似然估計(jì) 優(yōu)點(diǎn) 缺點(diǎn) 貝葉斯理論 根據(jù)一個已發(fā)生事件的概率怕享，計(jì)算另一個事件的發(fā)生概率. 轉(zhuǎn)換到我們的數(shù)據(jù)集上的話，可以這樣表示镰踏。 在這里y是類變量函筋，X是依賴特...
-
MYSQL 排版和語法協(xié)議
"[]" square brackets：可選項(xiàng) "|"vertical bars:選擇其中的一個 "()"braces:表示必須選項(xiàng) "..."ellipisis :省略部...
-
Access denied for user 'root'@'localhost' (using password: YES)
（）里面的為shell中輸入的命令，一定要輸全包括奠伪；&等符號第一步：蘋果->系統(tǒng)偏好設(shè)置->最下面點(diǎn)mysql跌帐，關(guān)閉mysql服務(wù)第二步：進(jìn)入終端輸入（cd /usr/loc...
