nxf_rabbit75 - 博客园

2019年2月21日

摘要：分类问题的评价指标是准确率，那么回归算法的评价指标就是MSE，RMSE，MAE、R-Squared。 MSE和MAE适用于误差相对明显的时候，大的误差也有比较高的权重，RMSE则是针对误差不是很明显的时候；MAE是一个线性的指标，所有个体差异在平均值上均等加权，所以它更加凸显出异常值，相比MSE；阅读全文

posted @ 2019-02-21 22:41 nxf_rabbit75 阅读(28173) 评论(1) 推荐(2)

2019年2月18日

3. 数据结构---栈

摘要：一、栈二、算法 1.括号匹配 Leetcode 20：有效的括号题目描述：给定一个只包括 '('，')'，'{'，'}'，'['，']' 的字符串，判断字符串是否有效。有效字符串需满足：左括号必须用相同类型的右括号闭合。左括号必须以正确的顺序闭合。注意空字符串可被认为是有效字符串。阅读全文

posted @ 2019-02-18 15:00 nxf_rabbit75 阅读(220) 评论(0) 推荐(0)

2019年2月16日

九大排序算法

摘要：一、直接插入排序每次选择一个元素，并且将这个元素和已经排好序的数组的所有元素进行比较，然后插入到合适的位置举例： 38,65,97,76,13,27,49 [38],65,97,76,13,27,49 [38,65],97,76,13,27,49 [38,65,97],76,13,27,49 [ 阅读全文

posted @ 2019-02-16 21:41 nxf_rabbit75 阅读(497) 评论(0) 推荐(0)

21.决策树(ID3/C4.5/CART)

摘要：总览算法功能树结构特征选择连续值处理缺失值处理剪枝 ID3 分类多叉树信息增益不支持不支持不支持 C4.5 分类多叉树信息增益比支持支持支持 CART 分类/回归二叉树基尼系数,均方差支持支持支持论文链接： ID3：https://link.spring 阅读全文

posted @ 2019-02-16 18:19 nxf_rabbit75 阅读(1021) 评论(1) 推荐(0)

2019年2月15日

20.谱聚类

摘要：一. 谱聚类概述 1、谱聚类谱聚类是从图论中演化出来的算法，后来在聚类中得到了广泛的应用。它的主要思想是把所有的数据看做空间中的点，这些点之间可以用边连接起来。距离较远的两个点之间的边权重值较低，而距离较近的两个点之间的边权重值较高，通过对所有数据点组成的图进行切图，让切图后不同的子图间边权重和尽阅读全文

posted @ 2019-02-15 11:54 nxf_rabbit75 阅读(1029) 评论(0) 推荐(0)

19.受限玻尔兹曼机(Restricted Boltzmann Machine)

摘要：一、背景介绍玻尔兹曼机 = 马尔科夫随机场 + 隐结点二、RBM的Representation BM存在问题：inference 精确：untractable；近似：计算量太大因此为了使计算简便，引入了RBM，RBM假设h,v之间有连结，h,v内部无连结从NB（朴素贝叶斯）推导到RBM的过阅读全文

posted @ 2019-02-15 10:57 nxf_rabbit75 阅读(507) 评论(0) 推荐(0)

18.高斯过程回归(GPR)

摘要：一、高斯(分布)过程(随机过程)是什么？一维高斯分布多维高斯分布无限维高斯分布高斯网络高斯过程简单的说，就是一系列关于连续域（时间或空间）的随机变量的联合，而且针对每一个时间或是空间点上的随机变量都是服从高斯分布的。举个例子：倘若你人生的每一个时刻看做一个随机变量，且都是满足高斯分布，阅读全文

posted @ 2019-02-15 10:56 nxf_rabbit75 阅读(3696) 评论(0) 推荐(0)

17.贝叶斯线性回归(Bayesian Linear Regression)

摘要：本文顺序一、回忆线性回归线性回归用最小二乘法，转换为极大似然估计求解参数W，但这很容易导致过拟合，由此引入了带正则化的最小二乘法（可证明等价于最大后验概率）二、什么是贝叶斯回归？基于上面的讨论，这里就可以引出本文的核心内容：贝叶斯线性回归。贝叶斯线性回归不仅可以解决极大似然估计中存在的过拟阅读全文

posted @ 2019-02-15 10:55 nxf_rabbit75 阅读(8470) 评论(0) 推荐(7)

16.高斯网络(GN)

摘要：一、高斯网络（高斯图模型）总体介绍概率图模型分为三种：贝叶斯网络，马尔科夫随机场以及高斯网络；而高斯网络又可以根据有向无向细分为高斯贝叶斯网络和高斯马尔科夫随机场二、高斯贝叶斯网络 1、高斯贝叶斯网络是有向图，x服从高斯分布，y|x服从高斯分布高斯贝叶斯网络（global model）是基于线阅读全文

posted @ 2019-02-15 10:54 nxf_rabbit75 阅读(1705) 评论(0) 推荐(0)

15.条件随机场(CRF)

摘要：一、CRF的由来HMM->MEMM->CRF 二、HMM到MEMM MEMM打破了HMM的观测条件独立假设三、MEMM到CRF CRF克服了MEMM的label bias problem问题参考文献：【1】【中文分词】条件随机场CRF 【2】【NLP】基于自然语言处理角度谈谈CRF(二) 阅读全文

posted @ 2019-02-15 10:53 nxf_rabbit75 阅读(438) 评论(0) 推荐(0)