wilson排球

摘要： 前言 彩笔运维勇闯机器学习，今天我们来讨论一下梯度下降法 梯度 首先要搞明白什么是梯度，那就要先从导数说起 导数 函数\(y=f(x)\)的自变量\(x\)在一点\(x_0\)上产生一个增量\(\Delta x\)时，函数输出值的增量\(\Delta y=f(x_0 + \Delta x)-f(x_ 阅读全文

摘要： 前言 随机森林的出现，是为了解决决策树对训练数据过拟合的问题而出现的。决策树在训练的工程中，可以让每一个叶子节点的不确定性降为0（即熵或者基尼指数为0），这样做可能把训练数据中的偶然性、异常值或噪声也当成了“规 律”去学习了 对于复杂高维的数据，随机森林的算法可以更好的泛化能力 开始探索 sciki 阅读全文

摘要： 前言 决策树是一种常用的机器学习模型，用于分类和回归任务，它通过模拟“树”的结构来对数据进行决策。本节我们详细讨论的是决策树中的分类任务 开始探索 scikit-learn 假设以下运维场景 CPU 低：<40% 中：40%~70% 高：>70% 内存 低：<60% 中：60%~85% 高：>85% 阅读全文

摘要： 前言 从本节开始，我们的机器学习之旅进入了下一个篇章。之前讨论的是回归算法，回归算法主要用于预测数据。而本节讨论的是分类问题，简而言之就是按照规则将数据分类 而要讨论的逻辑回归，虽然名字叫做回归，它要解决的是分类问题 开始探索 scikit-learn 还是老规矩，先来个例子，再讨论原理 假设以下场 阅读全文

摘要： 前言 今天我们来讨论拟合的问题 在之前的篇幅，主要讨论的是线性回归的问题，不管是一元、多元、多项式，本质都是线性回归问题。线性回归在机器学习中属于“监督学习”，也就是使用已有的、预定义的“训练数据”集合，训练系统，在解释未知数据时，也能够很好的解释 而模型训练完成之后，可能会有3中状态：“欠拟合”、 阅读全文

摘要： 前言 在之前的讨论中，讨论的都是线性回归，自变量与结果可以通过一条直线来解释。而今天讨论的问题，自变量与结果可能需要曲线来拟合，也就是所谓的 \(x^n\)，n>=2 开始探索 老规矩，先运行起来，再探索原理 1. scikit-learn import numpy as np from sklea 阅读全文

摘要： 前言 今天我们来讨论一下回归算法当中的数学实现。本人数学也是渣，大学时期概率论一直挂到清考才勉强通过，+_+ !!，如今勇闯机器学习，硬着头皮重新学习了微积分和线代，也是为了记录自己最近的状态，避免过段时间忘记了。描述的时候有不周全的地方，请各位大佬们多担待了 本节将会运用一些数学知识来解释一下相关 阅读全文

摘要： 前言 书接上文，上一小节简单介绍了多元回归的基本原理、使用方式，本小节来实践：qps与cpu、内存、磁盘io、网络io之间的关系 获取数据 参考一元线性回归的获取方式 from flow import * from datetime import datetime start_time = date 阅读全文

摘要： 前言 之前讨论了一元线性回归，主要是qps与cpu的关系，但是现实中cpu只是系统指标的一部分，还有内存、io、网络等等，本小节就来讨论一下，通过多个系统参数对于qps的影响 算法 多元线性回归，就是讨论多个自变量对结果造成的影响 开始探索 老规矩，先来看一看怎么快速使用多元线性回归 1. scik 阅读全文

摘要： 前言 书接上文，上一小节简单介绍了一元回归的基本原理、使用方式，作为运维，实践才是最重要的，那本小节就来实践一下我们之前的话题：探索cpu与qps的关系 获取数据 1. cpu数据 由于我的监控数据在阿里云的prometheus上面，并且阿里云也提供了一种查询方式，通过本地搭建的prometheus 阅读全文