最简单的神经网络 准备训练数据 随机生成50个数据，用作训练数据 最简单的神经网络拟合，y=ax+b，所有设置y为 不过，为了符合实际情况，可用适当增加一些噪声。 绘制x，y...
发简信
IP属地：广东
-
-
Python3.9更新日志
python3.9更新 版本：3.9.1日期：2021.1.1作者：Lukasz Langapython3.9发布于2020.10.5，这里做与python3.8的比较 总结...
-
机器学习day19概率图模型概率图模型 概率图模型（Probabilistic Graphic Model），能够很好地挖掘潜在的内容。 概率图中地节点分为隐含节点和观测节点，边分为有向边和无向边。从概...
-
机器学习day18聚类算法评价
聚类算法评估 假设没有外部标签数据，我们怎么评价不同聚类算法的优劣？ 非监督学习往往没有标注数据，这是模型，算法的设计直接影响最终的输出和模型的性能。为了评估不同的聚类算法，...
-
机器学习day17使用自组织映射网络
设定输出层神经元的数量 输出层神经元的数量与训练集样本的类别数相关。不清楚类别数，尽可能多设置节点数。分类过细可适当减少输出节点，减少从未更新权值的死节点。 设计输出层节点的...
-
机器学习day16自组织映射神经网络
高斯混合模型计算 初始随机设置各参数的值，然后重复迭代下面的步骤，直至收敛 根据当前的参数，计算每个点由某各分模型生成的概率 使用步骤2计算出来的概率，来改进每个模型的均值，...
-
机器学习day15高斯混合模型
K均值缺点 需要人工预先设置K值，而且该值与真实的数据分布未必吻合 K值只能收敛到局部最优，效果受到初始值影响较大 容易受到噪声影响 样本点被划分到单一的类里面 高斯混合模型...
-
机器学习day14K均值算法K均值算法 K均值聚类的核心目标是将给定的数据集划分成K个簇，并给出每个数据对应的簇中心点。 数据预处理，包括但不限于归一化，离群点处理等 随机选择K个簇中心，我们记为 定义...
-
机器学习day13非监督学习
非监督学习 给机器输入大量的特征数据，并期望机器通过学习找到数据中存在的共性特征或结构，亦或数据之间的关联。比如说，视频网站根据用户的观看行为进行分组，采取不同的推荐策略。这...
-
机器学习day12线性判别分析线性判别分析 线性判别分析（Linear Discriminant Analysis，LDA）是一种监督学习算法，常常用于数据降维。LDA是为分类问题服务的，因此需要先找到一...
-
机器学习day11降维
降维 用一个低维度的向量表示原来高维度的特征，避免维度灾难。 降维方法 主成分分析 线性判别分析 等距映射 局部线性嵌入 拉普拉斯特征映射 局部保留投影 PCA最大方差理论 ...
-
机器学习day7-逻辑回归问题
逻辑回归 逻辑回归，是最常见最基础的模型。 逻辑回归与线性回归 逻辑回归处理的是分类问题，线性回归处理回归问题。两者都是采用极大似然估计对训练样本建模，线性回归使用最小二乘法...
-
机器学习day8-SVM的训练误差为0的解存在问题
训练误差为0的SVM分类器一定存在吗 理论上，存在一组参数以及使得SVM训练误差为0，但是这个参数不一定是满足SVM条件的一个解，在实际训练SVM模型时，会加入一个松弛变量，...
-
数据结构|队列的实现[6]
队列 队列的特性是先进先出。每次数据出去只能的队列的头部，每次数据进来只能加在队列的尾部。队列实现一般有两种方式，线性队列，链表队列。 链表队列 链表队列的实现可以参考单向链...
-
机器学习day9-决策树
决策树 决策树自上而下，对样本数据进行树形分类的过程。决策树由结点和有向边组成。结点又分内部结点和叶结点。每个内部结点表示一个特征或属性，叶子结点表示类别。从顶部开始，所有样...
-
机器学习day6-svm中训练误差为0存在问题支持向量机 支持向量机（Support Vector Machine，SVM）是众多监督学习方法中十分出色的一种。svm中广为流传的魔鬼与天使的故事。 在空间中线性可分的两类...