一、剪枝 1. 為什么要剪枝 在決策樹生成的時(shí)候，更多考慮的是訓(xùn)練數(shù)據(jù)，而不是未知數(shù)據(jù)，這會(huì)導(dǎo)致過擬合，使樹過于復(fù)雜，對(duì)于未知的樣本不準(zhǔn)確。 2. 剪枝的依據(jù)——通過極小化決...
發(fā)簡信
IP屬地：浙江
-
機(jī)器學(xué)習(xí)系列7：CART樹和剪枝 -
機(jī)器學(xué)習(xí)系列6：決策樹決策樹是一種基本的分類與回歸方法。這里主要討論決策樹用于分類。 決策樹模型是描述對(duì)樣本進(jìn)行分類的樹形結(jié)構(gòu)。樹由結(jié)點(diǎn)和有向邊組成： 內(nèi)部結(jié)點(diǎn)表示一個(gè)特征或者屬性。 葉子結(jié)點(diǎn)表示...
-
機(jī)器學(xué)習(xí)系列5：熵的推導(dǎo)和計(jì)算
一、信息熵 熵 (entropy) 這一詞最初來源于熱力學(xué)。1948年，克勞德·愛爾伍德·香農(nóng)將熱力學(xué)中的熵引入信息論，所以也被稱為香農(nóng)熵 (Shannon entropy)...
-
機(jī)器學(xué)習(xí)系列4:邏輯回歸與softmax回歸詳解
一、Logistic regression中sigmod函數(shù)推導(dǎo) sigmod函數(shù)的推導(dǎo) 1.伯努利分布 一個(gè)事件x，其結(jié)果只有兩種：x=1 or 0，比如拋硬幣。when ...
-
機(jī)器學(xué)習(xí)系列3:概率模型、樸素貝葉斯和sigmod函數(shù)推導(dǎo)
一、貝葉斯公式推導(dǎo) 1.條件概率 設(shè)是任意兩個(gè)事件，已知發(fā)生的條件下，發(fā)生的條件概率為： 2.全概率公式 設(shè)為有限或無限個(gè)事件，他們兩兩互斥，即： 被稱為一個(gè)完備事件群。對(duì)于...
-
機(jī)器學(xué)習(xí)系列2：誤差、梯度下降、交叉驗(yàn)證、歸一化和評(píng)價(jià)指標(biāo)一、詳細(xì)理解誤差（error）與偏差（bias）和方差（variance） 1.偏差與方差 2.error與bias和variance的關(guān)系 總體上說，誤差等于偏差加上方差，...
-
機(jī)器學(xué)習(xí)系列1：線性回歸詳解
一、什么是機(jī)器學(xué)習(xí)？ 機(jī)器學(xué)習(xí)包括：1.監(jiān)督學(xué)習(xí)（supervised learning） ①回歸：尋找一個(gè)假設(shè)函數(shù)，根據(jù)大量的訓(xùn)練集X來預(yù)測目標(biāo)變量Y，若要預(yù)測的目標(biāo)變量是...
-
-
zigbee組網(wǎng)幾個(gè)重要函數(shù)
SampleApp_ProcessEvent 事件處理函數(shù) 例如： void SampleApp_SendPeriodicMessage( void )（周期性發(fā)送函數(shù)） S...
-
喜歡沒事發(fā)發(fā)牢騷的老程序猿一枚
-
深度洞察產(chǎn)業(yè)，厘清行業(yè)未來。
-
我們不僅僅是一家軟件公司，同時(shí)也是一個(gè)社區(qū)：我們匯集滿懷激情的軟件精英，通過技術(shù)和客戶共同應(yīng)對(duì)最艱巨的挑戰(zhàn)。同時(shí)我們尋求IT行業(yè)的革新，并致力于對(duì)社會(huì)產(chǎn)生積極的影響力。<br>
-
資深強(qiáng)黏性社群研究者和實(shí)踐者，多家知名企業(yè)社群咨詢顧問.<br><br>自2009年開始研究并投身于強(qiáng)黏性社群的實(shí)踐中。先后發(fā)起成立了鐠元素(PR公關(guān)媒體人俱樂部 www.pr.org.cn）,惠人創(chuàng)業(yè)社群,南京HR公會(huì)等細(xì)分領(lǐng)域的職場及興趣社群. 通過每年1000場以上的線下活動(dòng)及成熟的會(huì)員體系，搭建強(qiáng)黏性的社群體系，受眾累計(jì)達(dá)萬人。 <br><br>現(xiàn)致力于為小微創(chuàng)業(yè)者提供強(qiáng)黏性社群的咨詢和服務(wù)。
