字符串的匹配在平常的編碼過程中非常常用，在編程語言中通常是調(diào)用一個內(nèi)置函數(shù)就可以實現(xiàn)字符串的匹配，當不讓使用內(nèi)置的函數(shù)，而是自己編寫一個函數(shù)來實現(xiàn)匹配的功能，應(yīng)該如何來寫呢？...
發(fā)簡信
IP屬地：江蘇
-
字符串樸素匹配算法和KMP算法 -
鏈表介紹及python的實現(xiàn)
鏈表是線性表的一種實現(xiàn)方式，它的基本想法是： 將表中的元素分別存放在各個獨立的存儲區(qū)內(nèi)，存儲區(qū)又稱為結(jié)點； 在表中，可以通過任意結(jié)點找到與之相關(guān)的下一個結(jié)點； 在前一個結(jié)點上...
-
在大數(shù)據(jù)下應(yīng)用機器學習算法
大量的數(shù)據(jù)對機器學習算法的研究很有幫助，當我們直到算法有較高的方差（variance）時，增加m會有助于改善算法。但是當m很大時，比如m=100,000,000時，在這種情況...
-
-
推薦系統(tǒng)和協(xié)同過濾算法
推薦系統(tǒng)是目前非常流行的機器學習應(yīng)用。特征值對機器學習是非常重要的，而對特征值的選擇會直接影響到算法的好壞，推薦系統(tǒng)能夠自動幫助學習一些優(yōu)良的特征值，幫助更好的實現(xiàn)算法。 舉...
-
異常檢測（Anomaly Detection）異常檢測（Anomaly Detection）是機器學習算法的一個常見應(yīng)用。它主要用于非監(jiān)督學習，但又類似一些監(jiān)督學習問題。 異常檢測常用在對網(wǎng)站異常用戶的檢測；還有在工程上...
-
-
核函數(shù)的概念以及在SVM上的應(yīng)用高斯核函數(shù) 激勵函數(shù)中 現(xiàn)在準備用新的特征值 來替換 將定義為兩個向量的相似度： 例如，有一個標記向量，某個樣本的特征向量和其的相似度為： PS： 是 x向量的范數(shù)。 該核函...
-
支持向量機算法（SVM）介紹在解決復雜的非線性分類問題時，除了邏輯回歸和神經(jīng)網(wǎng)絡(luò)，還有一種更為強大的算法：叫做支持向量機（Support Vector Machines），簡稱SVM。 代價函數(shù) 在分類...
-
查準率（Precision）和召回率（Recall）在處理分類問題時，會遇到一種情況： 假設(shè)一個二元分類問題：假設(shè)我們的預測算法是：，這個算法忽略特征值，不管任何情況下都是預測等于0。 毫無疑問這是一個糟糕的算法，但是在測試集...
-
-
神經(jīng)網(wǎng)絡(luò)的反向傳播算法的使用
參數(shù)展開 在神經(jīng)網(wǎng)絡(luò)中，我們有一些參數(shù)矩陣，例如： 有時為了使用方便，需要將這些矩陣統(tǒng)一到一個向量中去 這樣就合并了三個矩陣，假如 是一個的矩陣，是一個的矩陣，是一個的矩陣則...
-
神經(jīng)網(wǎng)絡(luò)代價函數(shù)和反向傳播算法定義一些參數(shù)： = 神經(jīng)網(wǎng)絡(luò)的層數(shù) = 層的單元數(shù)，但不包括偏差單元 = 輸出層的單元數(shù)，二元分類是1，大于二的就是k 邏輯回歸的代價函數(shù)為： 神經(jīng)網(wǎng)絡(luò)的代價函數(shù)： 是一個K...
-
神經(jīng)網(wǎng)絡(luò)算法介紹在解決分類問題時，可以用邏輯回歸算法，但當解決復雜的非線性分類器時，這并不是一個好的選擇。如果用邏輯回歸來解決，首先要構(gòu)造一個包含很多非線性項的邏輯回歸函數(shù)。使用邏輯回歸會構(gòu)...
-
過擬合（Overfitting）和正則化（Regularized）在應(yīng)用線性回歸和邏輯回歸去解決某些機器學習的實際應(yīng)用時，它們可能會出現(xiàn)一種叫做“過度擬合”（Overfitting）的問題。這會使得學習的結(jié)果很糟糕。 什么是過擬合 用預測房...
-
關(guān)于邏輯回歸模型的梯度下降算法
邏輯回歸的代價函數(shù)： 與線性回歸一樣，它的梯度下降算法類似： 重復直到收斂 {} 計算后會得到： 計算后得到的和線性回歸的看上去沒有區(qū)別，但是兩者的不同。線性回歸的是：邏輯回...