最簡單的神經網絡 準備訓練數據 隨機生成50個數據，用作訓練數據 最簡單的神經網絡擬合，y=ax+b，所有設置y為 不過，為了符合實際情況，可用適當增加一些噪聲。 繪制x，y...
發(fā)簡信
IP屬地：廣東
-
-
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發(fā)布于2020.10.5，這里做與python3.8的比較 總結...
-
機器學習day19概率圖模型概率圖模型 概率圖模型（Probabilistic Graphic Model），能夠很好地挖掘潛在的內容。 概率圖中地節(jié)點分為隱含節(jié)點和觀測節(jié)點，邊分為有向邊和無向邊。從概...
-
機器學習day18聚類算法評價
聚類算法評估 假設沒有外部標簽數據，我們怎么評價不同聚類算法的優(yōu)劣？ 非監(jiān)督學習往往沒有標注數據，這是模型，算法的設計直接影響最終的輸出和模型的性能。為了評估不同的聚類算法，...
-
機器學習day17使用自組織映射網絡
設定輸出層神經元的數量 輸出層神經元的數量與訓練集樣本的類別數相關。不清楚類別數，盡可能多設置節(jié)點數。分類過細可適當減少輸出節(jié)點，減少從未更新權值的死節(jié)點。 設計輸出層節(jié)點的...
-
機器學習day16自組織映射神經網絡
高斯混合模型計算 初始隨機設置各參數的值，然后重復迭代下面的步驟，直至收斂 根據當前的參數，計算每個點由某各分模型生成的概率 使用步驟2計算出來的概率，來改進每個模型的均值，...
-
機器學習day15高斯混合模型
K均值缺點 需要人工預先設置K值，而且該值與真實的數據分布未必吻合 K值只能收斂到局部最優(yōu)，效果受到初始值影響較大 容易受到噪聲影響 樣本點被劃分到單一的類里面 高斯混合模型...
-
機器學習day14K均值算法K均值算法 K均值聚類的核心目標是將給定的數據集劃分成K個簇，并給出每個數據對應的簇中心點。 數據預處理，包括但不限于歸一化，離群點處理等 隨機選擇K個簇中心，我們記為 定義...
-
機器學習day13非監(jiān)督學習
非監(jiān)督學習 給機器輸入大量的特征數據，并期望機器通過學習找到數據中存在的共性特征或結構，亦或數據之間的關聯(lián)。比如說，視頻網站根據用戶的觀看行為進行分組，采取不同的推薦策略。這...
-
機器學習day12線性判別分析線性判別分析 線性判別分析（Linear Discriminant Analysis，LDA）是一種監(jiān)督學習算法，常常用于數據降維。LDA是為分類問題服務的，因此需要先找到一...
-
機器學習day11降維
降維 用一個低維度的向量表示原來高維度的特征，避免維度災難。 降維方法 主成分分析 線性判別分析 等距映射 局部線性嵌入 拉普拉斯特征映射 局部保留投影 PCA最大方差理論 ...
-
機器學習day7-邏輯回歸問題
邏輯回歸 邏輯回歸，是最常見最基礎的模型。 邏輯回歸與線性回歸 邏輯回歸處理的是分類問題，線性回歸處理回歸問題。兩者都是采用極大似然估計對訓練樣本建模，線性回歸使用最小二乘法...
-
機器學習day8-SVM的訓練誤差為0的解存在問題
訓練誤差為0的SVM分類器一定存在嗎 理論上，存在一組參數以及使得SVM訓練誤差為0，但是這個參數不一定是滿足SVM條件的一個解，在實際訓練SVM模型時，會加入一個松弛變量，...
-
數據結構|隊列的實現[6]
隊列 隊列的特性是先進先出。每次數據出去只能的隊列的頭部，每次數據進來只能加在隊列的尾部。隊列實現一般有兩種方式，線性隊列，鏈表隊列。 鏈表隊列 鏈表隊列的實現可以參考單向鏈...
-
機器學習day9-決策樹
決策樹 決策樹自上而下，對樣本數據進行樹形分類的過程。決策樹由結點和有向邊組成。結點又分內部結點和葉結點。每個內部結點表示一個特征或屬性，葉子結點表示類別。從頂部開始，所有樣...
-
機器學習day6-svm中訓練誤差為0存在問題支持向量機 支持向量機（Support Vector Machine，SVM）是眾多監(jiān)督學習方法中十分出色的一種。svm中廣為流傳的魔鬼與天使的故事。 在空間中線性可分的兩類...