做梦当财神

摘要： 1. groupby() 2. 聚合方法size()和count() size跟count的区别： size计数时包含NaN值，而count不包含NaN值 count() size() 来自：https://blog.csdn.net/m0_37870649/article/details/8097 阅读全文

摘要： 支持向量机（一）线性可分支持向量机 支持向量机（二）线性支持向量机 支持向量机（三）非线性支持向量机与核函数 支持向量机（四）SMO算法 一、线性支持向量机 线性可分支持向量机对线性不可分数据不适用，因为这时的不等式约束不成立。需要修改硬间隔最大化为软间隔最大化。 线性不可分意味某些样本点 \((x 阅读全文

摘要： 复杂网络中，单源单点的最小费用最大流算法(MCMF)应用广泛。 在实际网络问题中，不仅考虑从 Vs 到 Vt 的流量最大，还要考虑可行流在网络传送过程中的费用问题，这就是网络的最小费用最大流问题。 最小费用最大流问题的一般提法：已知容量网络 D=(V ,A ,C)，每条弧 (Vi，Vj) 除了已给出 阅读全文

摘要： 来自：https://www.cnblogs.com/everfight/p/pandas_select_rows.html 阅读全文

摘要： $k$​​​​ 近邻法（$k-nearest\ neighbor,\ k-NN$​​​​​​​）即可用于分类，也可用于回归。 $KNN$​ 做分类还是回归区别在预测时的决策方式。做分类时，用多数表决法；做回归时，用平均法。 sklearn-learn 中只使用了 蛮力实现（$brute-force$ 阅读全文

摘要： Python proprety() 高级 property()：返回新式类属性。 class property ( [fget [, fset [, fdel [, doc] ] ] ] ) fget：获取属性值 fset：设置属性值 fdel：删除属性值 doc：属性描述信息 实例： class 阅读全文

摘要： 拉格朗日法、KKT条件 拉格朗日对偶性（\(Lagrange\ \ duality\)）将原始问题转换为对偶问题。例如：最大熵模型、支持向量机。 一、原始问题 假设目标函数$f(x)$、不等式约束 \(c_i(x)\)、等式约束 \(h_j(x)\) 是定义在 \(\pmb{R}^n\)（\(n\) 阅读全文

摘要： 拉格朗日对偶性 求解最优化问题中，拉格朗日乘子法和 \(KKT\) 条件是两种常用的方法。在有等式约束时使用拉格朗日乘子法，不等式约束时使用 \(KKT\) 条件。这里的最优化问题通常指函数在作用域上的全局最小值（最小值与最大值可以互换）。 最优化问题常见三种情况： 一、无约束条件 求导等于0得到极 阅读全文

摘要： 1. 线性回归的模型函数和损失函数 对于m个样本，n维特征， 如果y是连续的，则是回归问题，否则是分类问题。 它的线性回归模型是： θi (i = 1,2...n)是参数，xi (i = 1,2...n)是每个样本的n个特征。 这里增加一个特征 x0 = 1，得到 矩阵形式的线性回归模型：hθ(x) 阅读全文

摘要： 求解机器学习算法的模型参数，即无约束优化问题，常用两种方法：梯度下降，最小二乘法。此外还有牛顿法和拟牛顿法。 1. 梯度 对多元函数参数求偏导，把求得的偏导写成向量形式。比如：f(x,y)对x，y求偏导，梯度就是(∂f/∂x, ∂f/∂y)T。 2. 梯度下降法详解 梯度下降法有代数法和矩阵法两种表 阅读全文