1 贝叶斯方法 长久以来，人们对一件事情发生或不发生的概率，仅仅有固定的0和1，即要么发生，要么不发生。假设问那时的人们一个问题：“有一个袋子，里面装着若干个白球和黑球，请问...
发简信
IP属地：江苏
-
贝叶斯方法、定理、分类、网络 -
从负一开始推导SVM0 解析几何知识, 点到平面的距离 参考材料 如图, 假设一个平面 , 平面外一点 , 在平面上的投影为, 求点到平面的距离即求 我们可以知道平面的法向量为, 则这个法向量...
-
SVM面试级推导序 SVM是面试中常问的模型之一，本次记录一下应对面试时SVM如何进行较为清晰和简洁的推导 SVM面试级推导（自写） 以上是基础的推导总结，后续博客记录一下零碎的问题以及分析...
-
-
[svm]四步推导SVM之前面试的时候被问到论文里的算法，SVM和LS的优化，都没答出来，面试自然是凉凉。和平时实验室组会的关注点不一定，组会看程序结果，使用的时候直接调包，或者按照论文里的伪代码...
-
-
【机器学习】SVM理解及推导前言最近发现自己的基础知识不够扎实，面对别人的问题总是“知其然不知其所以然”。出现这个问题的朋友周围有很多，大多数人都是“拿来主义”，想着“有了开源库，有了函数包，只要会用就...
-
02 SVM - 拉格朗日乘子法01 SVM - 概述 自变量无约束的求极值方法 - 梯度下降法 10 回归算法 - 梯度下降在线性回归中的应用11 回归算法 - BGD、SGD、MBGD梯度下降12 回归...
-
SVM推导步骤
SVM（Support Vector Machine，支持向量机）是最经典的分类算法，本文主要整理（为了应付考试）SVM的推导方式，不包含SMO算法求解最后的约束。 借鉴博客...
-
机器学习-LR推导及与SVM的区别之前整理过一篇关于逻辑回归的帖子，但是只是简单介绍了一下了LR的基本思想，面试的时候基本用不上，那么这篇帖子就深入理解一下LR的一些知识，希望能够对面试有一定的帮助。 1、逻...
-
机器学习面试之有必要手推SVM吗（1）？1 单刀直入，先回答有必要吗？ 最近和许多朋友交流，发现当前机器学习应聘时，手推SVM这道题已经越来越像快速排序一样，成为必点菜了。 那么，手推SVM是不是必要的呢？正反双方...
-
GBDT与XGBoost之前介绍过梯度下降法与牛顿法，GBDT与XGBoost就与这两种方法有关。 boosting(包括GBDT、XGBoost)是一个加法模型，有以下优缺点： 优点：• 可解释性...
-
GBDT —— 梯度提升决策树概述 GBDT(Gradient Boosting Decision Tree) 又叫 MART（Multiple Additive Regression Tree)，是一种...
-
【转】随机森林（Random Forest）作者：Poll的笔记博客：http://www.cnblogs.com/maybe2030/p/4585705.html 1、什么是随机森林 作为新兴起的、高度灵活的一种机器...
-
逻辑回归公式推导逻辑回归 逻辑回归到底是分类还是回归？它是经典的二分类算法 机器学习算法选择：先逻辑回归再用复杂的，能简单的还是用简单的。 逻辑回归的决策边界：可以是非线性的。 激活函数：s...
-
第8章 Adaboost算法内容 一、Adaboost简介 二、Adaboost算法过程 三、Adaboost算法的训练误差分析 四、Adaboost算法的解释 五、提升树 六、详细理解“梯度提升算法”...
-
如何通过对偶问题求解线性可分 SVM我们最终是想要求出最大间隔超平面， 所以需要计算出约束条件下的 w和b 这两个参数，进而得到最大间隔超平面的表达式 求解方法是将原问题转化为其对偶问题进行求解， 这个过程分为...
-
