as火柴人

摘要：回归问题 回归问题包含有线性回归和多项式回归 简单来说，线性回归就是用多元一次方程拟合数据，多项式回归是用多元多次来拟合方程 在几何意义上看，线性回归拟合出的是直线，平面。多项式拟合出来的是曲线，曲面。 二，线性回归问题 2.1 线性回归 线性回归问题，是监督学习，输出是连续值。（批梯度下降训练参数 阅读全文

摘要：线性回归问题，是监督学习，输出是连续值。（批梯度下降训练参数+平方误差函数做代价函数） 阅读全文

摘要：一。引入 在机器学习过程中，在ppt上看到一句话，大部分的分类，回归，聚类算法，不过就是迭代，选择参数，优化目标函数。所以把代价函数整理一下。 损失函数：单个样本的误差 代价函数：损失函数的平均（让代价函数最小） 目标函数：需要优化的函数，等于经验风险+结构化风险（正则化项） 最小化代价函数是为了优 阅读全文

摘要：一，一维高斯分布 N（μ，δ2） 二，多维高斯分布 二维高斯分布，这时的随机变量组成了随机向量：v=[x,y]T。 图2.1 图2.2 注意：这两种图的区别。2.1图是二维高斯分布的各采样点的分布，这些点是二维分布的高斯点，通过点的疏密才能看出分布概率的大小。2.2图是二维高斯分布点和点的概率分布图 阅读全文

摘要：self: 类里面不定义init时，默认是pass，而且不传入任何参数，这个时候在实例化的时候也不能传入任何参数。类里面的其他函数在定义时可以传入其他参数，实例.该函数时就要 有传入参数。 参数（不管是要传入的参数，还是附加的参数）如果想设置成全局变量，就在init里面首次出现，而且加上self。这 阅读全文

摘要：一，分类问题（又叫做预测问题，预测的对象是数值类型） 训练集（用来构建模型，拟合模型，可以训练出很多个模型）——>使用模型：测试集（仅仅一次使用，评估模型泛化的性能），验证集（进行模型的选择选择特征，调参，防止过拟合，多次使用，以不断调参），这些都是已知table的 分类问题的本质是，根据一些属性去 阅读全文

摘要：1.新闻的特征向量 TF-IDF(词频的权重度量)：TF1xIDF1 TF2xIDF2 TF3xIDF3.。。。。其中TF是词在文章中出现的频率，IDF是权重。给虚词赋予比较低的权重。 针对一篇文章，然后对词汇表的每个词给予一个TF-IDF值，这样就得到文章的特征向量，文章中没有出现 的词就是0。 阅读全文

摘要：https://blog.csdn.net/qq_27093465/article/details/52180865 利用枚举把常量封装起来，而不是让常量直接使用。 java中函数对参数的调用，是按值传递的，传递过程始终是拷贝地址的过程。 A a1 = new A();它代表A是类，a1是引用，a1 阅读全文

摘要：一，冒泡排序 1.思想 冒泡排序，从左往右依次比较，将大的轮换到最右边，然后循环，已经排位的大 的不用参加新一轮的轮换。 内层循环负责把左边的数依次与右边的轮换。外层循环负责控制轮换的终止位置。 2.注意： 循环range（列表长度），还是list[]切片，一定要搞清楚，不能写错。对于列表都是从0开 阅读全文

摘要：一，Apriori算法 Apriori算法的基本思路： 产生L1候选集，剪枝（去掉L1里面不符合最小支持度的），连枝产生L2候选集，剪枝（去掉候选集不在数据集里的和不满足最小支持度的），产生L3。。。直到不能再产生新的候选集（具体判定就是连枝的时候，k-2项集不存在，这时不能生成k项集） 算法中需要 阅读全文

摘要：一，类 （一）类：一般都只设计一种职责，它是具有相同属性、操作、关系的对象集合的总称。 1.1 类的修饰符 default又叫friendly，指的是同包下面的类，子类或者非子类都（friend的感觉）可以用。不同包里面就算是子类也不能用 https://www.cnblogs.com/jingme 阅读全文

摘要：（蓝色字体：批注；绿色背景：需要注意的地方；橙色背景是问题） 一，机器学习分类 二，梯度下降算法：2.1模型 2.2代价函数 2.3 梯度下降算法 一，机器学习分类 无监督学习和监督学习 无监督学习主要有聚类算法（例题：鸡尾酒会算法）根据数据中的变量关系来将数据进行分类 其中分类算法，可以根据一个特 阅读全文

摘要：8.1，类 1. self 是用来自动传递的，不用赋值； self为前缀的变量可以供类中的所有方法使用； 每一个和类相关联的方法都会调用self，这样实例才可以访问类中的属性和方法； 在类中调用属性，用self.属性，否则就会报错；在实例中调用属性用实例名.name(这个过程是先找到实例再找属性。) 阅读全文

摘要：1.安装jieba模块（用sublime+anaconda运行python） 在cmd下输入pip install jieba -i https://pypi.tuna.tsinghua.edu.cn/simple (具体更换国内安装源参考：https://blog.csdn.net/yuzaipi 阅读全文