04 2020 档案

9.主成分分析
摘要：一、用自己的话描述出其本身的含义： 1、特征选择 特征选择也叫特征子集选择。是指从已有的M个特征(Feature)中选择N个特征使得系统的特定指标最优化， 是从原始特征中选择出一些最有效特征以降低数据集维度的过程,是提高学习算法性能的一个重要手段, 也是模式识别中关键的数据预处理步骤。 2、PCA 阅读全文
posted @ 2020-04-30 22:21 162 阅读(153) 评论(0) 推荐(0)
8.特征选择
摘要：用过滤法对以下数据进行特征选择： [[0,2,0,3], [0,1,4,3], [0,1,1,3]] 要求： 1、Variance Threshold（threshold =1.0） 2、将结果截图放上来（没有条件的备注说明原因）注意：每个人的电脑ID是不一样的 阅读全文
posted @ 2020-04-30 08:33 162 阅读(120) 评论(0) 推荐(0)
7.逻辑回归实践
摘要：1.逻辑回归是怎么防止过拟合的？为什么正则化可以防止过拟合？（大家用自己的话介绍下） 是通过正则化来防止的。 过拟合的时候，拟合函数的系数往往非常大，而正则化是通过约束参数的范数使其不要太大，所以可以在一定程度上减少过拟合情况。如下图所示，过拟合，就是拟合函数需要顾忌每一个点，最终形成的拟合函数波动 阅读全文
posted @ 2020-04-27 14:55 162 阅读(136) 评论(0) 推荐(0)
6.逻辑回归
摘要：1.用自己的话描述一下，什么是逻辑回归，与线性回归对比，有什么不同？ 逻辑回归：通过一组预测器变量，可以很有效的预测特征与输出结果。 这与线性回归很相似，但更适用于二分类问题。 方程系数可以用来估计模型中的自变量的比率，这适用于更广泛的问题模型，另一方面，可以将逻辑回归用于确定某个事件的可能性，输出 阅读全文
posted @ 2020-04-25 10:11 162 阅读(172) 评论(0) 推荐(0)
5.线性回归算法
摘要：1.本节重点知识点用自己的话总结出来，可以配上图片，以及说明该知识点的重要性 （1）有监督：训练数据集必须是有标记，然后通过给定的训练数据和特定的算法去构造一个模型。 无监督：训练数据集没有标记，去寻找训练数据中隐藏的模式或者是对数据进行分组。 （2）线性回归原理： 线性回归在假设特证满足线性关系， 阅读全文
posted @ 2020-04-22 12:10 162 阅读(189) 评论(0) 推荐(0)
4.K均值算法
摘要：1. 应用K-means算法进行图片压缩 读取一张图片 观察图片文件大小，占内存大小，图片数据结构，线性化 用kmeans对图片像素颜色进行聚类 获取每个像素的颜色类别，每个类别的颜色 压缩图片生成：以聚类中收替代原像素颜色，还原为二维 观察压缩图片的文件大小，占内存大小 在这里的时候就一直处于运行 阅读全文
posted @ 2020-04-18 21:42 162 阅读(84) 评论(0) 推荐(0)
3.K均值算法
摘要：2.自主编写K-means算法 ，以鸢尾花花瓣长度数据做聚类，并用散点图显示 3 用sklearn.cluster.KMeans，鸢尾花花瓣长度数据做聚类，并用散点图显示. 4 鸢尾花完整数据做聚类并用散点图显示. 5 想想k均值算法中以用来做什么？ K-均值算法(K-Mean)是指中心的距离的平方 阅读全文
posted @ 2020-04-16 21:54 162 阅读(248) 评论(0) 推荐(0)
2.机器学习相关数学基础
摘要：1.高等数学 1）函数 2）极限 3）导数 4）极值和最值 极值点：是在一阶导数等于0的点,2阶导大于0是极小值,2阶导小于0是极大值.2阶导等于0是拐点,不是极值点. 最值：在定义域内的最大最小值 5）泰勒级数 6）梯度 7）梯度下降 2.线性代数 1）基本概念 2）行列式 3）矩阵 4）最小二乘 阅读全文
posted @ 2020-04-10 17:59 162 阅读(250) 评论(0) 推荐(0)
机器学习概述1
摘要：(1) (2) (3) 按照学习形式将机器学习划分为监督学习、无监督学习、半监督学习、强化学习、深度学习 监督学习（Supervised Learning）表示机器学习的数据是带标记的，这些标记可以包括数据类别、数据属性及特征点位置等。这些标记作为预期效果，不断修正机器的预测结果。 无监督学习（Un 阅读全文
posted @ 2020-04-05 10:10 162 阅读(180) 评论(0) 推荐(0)