导航

2018年9月28日

机器学习的应用领域和知识点

摘要： 阅读全文

posted @ 2018-09-28 22:05 wzd321 阅读(319) 评论(0) 推荐(0)

numpy的flat、flatten、ravel

摘要： import numpy as np dt = np.arange(10).reshape(5,2) # ============================================================================= # Out[2]: # array([[0, 1], # [2, 3], # [4, 5], # ... 阅读全文

posted @ 2018-09-28 20:28 wzd321 阅读(875) 评论(0) 推荐(0)

梯度下降算法

摘要： import numpy as np a = np.array([1,2,3,np.nan]) a[np.isnan(a) ]=0 def gd(x_start,step,g): """ param x_start:初始化数据点 param step:梯度下降的步长 param g：梯度函数 return ：迭代... 阅读全文

posted @ 2018-09-28 16:31 wzd321 阅读(181) 评论(0) 推荐(0)

KL散度

摘要： KL散度是两个概率分布P与Q差异的一种方法： 1.离散概率分布KL散度计算公式 2.连续概率分布KL散度计算公式 KL散度可以很好地度量两个分布之间的距离，两个分布越接近，KL散度越小，两个分布越远，KL散度越大。 参考：https://blog.csdn.net/ericcchen/article 阅读全文

posted @ 2018-09-28 15:44 wzd321 阅读(268) 评论(0) 推荐(0)

蒙特卡洛采样、重要性采样

摘要： 有一个概率密度函数p(x)，求解随机变量x基于此概率下某个函数f(x)的期望，表示如下： 如果概率分布形式比较简单的话，我们可以采用解析的方法： 如果f(x)过于复杂的话，直接求解就非常复杂，我们采用蒙特卡洛的方法。根据大数定理，当采样数量足够大的话，采样样本可以无限近似地表示原分布，我们可以得到： 阅读全文

posted @ 2018-09-28 12:08 wzd321 阅读(5109) 评论(0) 推荐(0)