摘要： 数据预处理: 数据的无量钢化可以是线性的, 叶可以是非线性的, 线性的无量钢化包括中心化处理和缩放处理 中心化: 本质是让所有的记录减去一个固定值, 即让数据样本平移到某个位置, 缩放的本质是通过除以一个固定在某个范围中, 取对数也是一种缩放处理 归一化: 当数据(x)按照最小化后, 在按极差(最大 阅读全文

摘要： xgboost 阅读全文

摘要： 随机森林 集成算法时时下非常流行的机器学习算法,它本身不死一个单独的及其学习算法, 而是通过在数据上构建多个模型, 集成所有模型的建模结果, 基本上所有的机器学习领域都可以看到集成学习的身影, 在心事中集成学习也有相当大的作用, 它可以用来做市场营销模拟的建模, 统计客户来源, 保留和流式, 也可用 阅读全文

摘要： 分类树: 决策树是一种非参数的有监督学习方法, 他能够从一系列有特征合标签的数据中总结处决策规则, 并用树状图结构来呈现这些规则,以解决分类和回归问题 根节点: 没有进边,有出边, 包含最初的,针对特征的提问 中间节点: 既有进边, 也有出边, 进边只有一条, 出边可以有很多条, 都是针对特征的提问 阅读全文

摘要： 假设检验问题: 总体的分布未知 类型未知 参数未知 对总体分布(未知)的某种推断,-假设 提出假设: 原假设(零假设)-一般没有足够的理由否定的原问题 备择假设(对立假设)-和原问题对立的假设 假设检验的概念: 对总体分布的论断就是假设检验 假设检验:检验假设成立与否的过程, 利用样本信息加以检验 阅读全文

摘要： 点估计: 估计一个数,就是点估计 区间估计: 范围内的估计 参数估计: 通过抽取样本构造函数来估计参数 参数的空间: 就是参数的取值范围 矩估计: 用样本的矩代替总体的矩 一阶: X' = 1/nΣXi 二阶: A2 = 1/nΣXi2 极大似然估计:还是用样本数据的极值估计参数 做题步骤: 写总体 阅读全文

摘要： 总体: 研究事物的总体 个体: 全体事物中的单个,叫做个体 有限总体: 总体时有限个. 无限总体: 熊踢无限个. 样本: 从总体中抽样(X1,...Xn),观测值(x1,...xn) 统计量的定义: 不含任何未知参数的样本的函数(以下X'都表示均值) x1 + x2 + ...+xn 均值: X' 阅读全文

摘要： 大数定律: 大量的重复试验平均结果的稳定性 切比雪夫不等式: 定理:假设x随机变量,EX和DX都存在, 任取ξ >0, 则P(|X-Ex|≥ξ) ≤ DX/ξ2 DX越小, 波动越小, 落在外面的概率越小 DX越大, 波动越大, 落在外面的概率越大 ξ越大, 落在外面的概率越小 ξ越小, 落在外面的 阅读全文

摘要： 二位随机变量: E随机试验, Ω是样本空间, X,Y 是定义在Ω上的两个随机变量, (X,Y)向量/变量来自统一个样本空间 分布函数: F(x,y) = P{X≤x, Y≤y}, 联合分布, 定义域: X≤x and Y≤y的平面, 则概率就是, 定义域在空间内的体积 X≤x, Y≤y 0≤F(x, 阅读全文

摘要： 随机变量的概念: 对于Ω, X=X(ω), 实值函数 离散型: 有限个事件, 无限可排列个 非离散型:连续型 X的所有取值xk(k=1,2,3...)如果实无限个, 那就是可列个, P(X=xk)=pk, 概率函数(分布) 当事件和概率以表格的形式呈现出来, 就叫做概率分布表 事件和事件对应的概率以 阅读全文