摘要：
混合高斯模型简介 混合高斯模型基于多变量正态分布。类gmdistribution通过使用EM算法来拟合数据，它基于各观测量计算各成分密度的后验概率。 高斯混合模型常用于聚类，通过选择成分最大化后验概率来完成聚类。与k-means聚类相似，高斯混合模型也使用迭代算法计算，最终收敛到局部最优。高斯混合模 阅读全文
posted @ 2016-11-15 15:48
夕月一弯
阅读(4947)
评论(0)
推荐(0)
摘要：
python安装包 电脑操作系统win7 python安装包 电脑操作系统win7 python安装包 电脑操作系统win7 python安装包 电脑操作系统win7 方法/步骤 1 现在python官网上下载和自己本机匹配的python版本，看好自己的机器是64为的还是32位的 下载好了pytho 阅读全文
posted @ 2016-11-14 18:12
夕月一弯
阅读(192)
评论(0)
推荐(0)
摘要：
/home/wangteng/workspace zsh 缩短路径名 阅读全文
posted @ 2016-10-11 15:04
夕月一弯
阅读(175)
评论(0)
推荐(0)
摘要：
在讨论这些概率分布之前，简单说说什么是随机变量（random variable）。随机变量是对一次试验结果的量化。 举个例子，一个表示抛硬币结果的随机变量可以表示成 Python 1 2 X = {1 如果正面朝上, 2 如果反面朝上} Python Python 1 2 X = {1 如果正面朝上 阅读全文
posted @ 2016-10-07 15:27
夕月一弯
阅读(20387)
评论(0)
推荐(3)
摘要：
1. 随机变量的概念 顾名思义，随机变量就是“其值随机会而定”的变量。随机变量的反面是“确定性变量”，即其值遵循某种严格的规律的变量，比如从北京到上海的距离。但是从绝对意义上讲，许多通常视为确定性变量的量，本质上都有随机性，只是由于随机性干扰不大，以至在所要求的精度之内，不妨把经作为确定性变量来处理 阅读全文
posted @ 2016-10-07 15:27
夕月一弯
阅读(5747)
评论(0)
推荐(0)
摘要：
信息熵，不确定度的描述，熵增加，不确定度增加，熵减小，不确定度减小。 离散型随机变量的信息熵 考虑一个一维的离散的随机变量X（此处不考虑扩展到多维的情况），可以取离散的值,对应的概率分别为则离散型随机变量的信息熵为： 连续型随机变量的信息熵 考虑一个一维的连续型的随机变量X，若它的概率密度分布函数为 阅读全文
posted @ 2016-10-07 15:13
夕月一弯
阅读(5342)
评论(0)
推荐(0)
摘要：
核概率密度估计 本文分为三个部分：第一部分是直方图，讨论了如何创建它以及它的属性是什么样的。第二部分是核密度估计，介绍了它对比直方图有哪些改进和更一般性的特点。 最后一部分是，为了从数据中抽取所有重要的特征，怎么样选择最合适，漂亮的核函数。 直方图 直方图是最简单，并且也是最常见的一种的非参数概率密 阅读全文
posted @ 2016-10-07 15:05
夕月一弯
阅读(13175)
评论(1)
推荐(1)
摘要：
我们观测世界，得到了一些数据，我们要从这些数据里面去找出规律来认识世界，一般来说，在概率上我们有一个一般性的操作步骤 1. 观测样本的存在 2. 每个样本之间是独立的 3. 所有样本符合一个概率模型 我们最终想要得到的是一个概率密度的模型，有了概率密度模型以后，我们就可以统计预测等非常有用的地方，因 阅读全文
posted @ 2016-10-07 14:59
夕月一弯
阅读(9496)
评论(3)
推荐(0)
摘要：
本文主要从最原始的概率问题开始，并引出条件概率，从逆概引出释然性，最后过度到贝叶斯公式的理解 1. 概率问题 “假设袋子里面有N个白球，M个黑球，你伸手进去摸一个球出来，摸出黑球的概率是多大”？ P(黑) = M/(M+N) P(白) = N/(M+N) 这很好计算，上面的计算公式中，用到了黑球除以 阅读全文
posted @ 2016-10-07 14:55
夕月一弯
阅读(980)
评论(0)
推荐(1)
摘要：
1 范数 向量的范数可以简单形象的理解为向量的长度，或者向量到零点的距离，或者相应的两个点之间的距离。 向量的范数定义：向量的范数是一个函数||x||,满足非负性||x|| >= 0，齐次性||cx|| = |c| ||x|| ，三角不等式||x+y|| <= ||x|| + ||y||。 常用的向 阅读全文
posted @ 2016-10-07 14:46
夕月一弯
阅读(17819)
评论(1)
推荐(2)
浙公网安备 33010602011771号