朴素贝叶斯

摘要： 机器学习模型的关键是泛化问题，即在样本真实分布上的期望风险最小化．而训练数据集上的经验风险最小化和期望风险**并不一致． 由于神经网络的拟合能力非常强，其在训练数据上的错误率往往都可以降到非常低，甚至可以到0，从而导致过拟合．因此，如何提高神经网络的泛化能力反而成为影响模型能力的最关键因素． 正则化 阅读全文

摘要： 总结一下PCA的算法步骤： 设有m条n维数据。 1）将原始数据按列组成n行m列矩阵X 2）将X的每一行（代表一个属性字段）进行零均值化，即减去这一行的均值 3）求出协方差矩阵(个人：由这里的X在矩阵运算的左边，而协方差矩阵的维数是dim*dim，我们可以反推出数据矩阵X的维度即样本在X中应该如何放置 阅读全文

摘要： 阅读全文

摘要： 假设，$Z_i$表示来自某概率分布的N次独立采样。那么，根据大数定律，只要期望$E[Z]$有限，则下式成立： $(Z_1+Z_2+Z_3+...+Z_N)/N$-->E[Z],N->$+\infty$ 用文字表述，即来自同一分布的一组随机变量，其均值收敛于该分布的期望。 阅读全文

摘要： 判别模型 判别模型由数据直接学习决策函数或者条件概率分布作为预测的模型。它关心的是对给定的输入X，应该预测什么样的输出Y。典型的判别模型包括：K近邻法、感知机、决策树、逻辑斯谛回归、最大熵模型、支持向量机、提升方法、条件随机场。 判别方法的特点： 直接学习的是条件概率，直接面对预测，往往学习的准确率 阅读全文

摘要： 在机器学习中， 有一些非常有名的理论或定理， 对理解机器学习的内在特性非常有帮助． PAC学习理论 当使用机器学习方法来解决某个特定问题时，通常靠经验或者多次试验来选择合适的模型、训练样本数量以及学习算法收敛的速度等．但是经验判断或多次试验往往成本比较高，也不太可靠，因此希望有一套理论能够分析问题难 阅读全文

摘要： 题目描述 要求返回一个m x n的vector<vector>数组,数组中的元素为0至m x n -1,要求沿着斜线排列,如下所示: [0 1 5 6 ] [2 4 7 10] [3 8 9 11] 思路 思路和打印之字形字符串类似，一次打印一条线，打印具有周期性.向右上方打印时，可以总结出下一个点 阅读全文

摘要： 题目描述 Given an integer n, generate a square matrix filled with elements from 1 to n^2 in spiral order.//按螺旋顺序排列 For example,Given n =3, You should retu 阅读全文

摘要： 题目描述 Given a matrix of m x n elements (m rows, n columns), return all elements of the matrix in spiral order. For example, Given the following matrix: 阅读全文

摘要： 题目描述 在一个由 0 和 1 组成的二维矩阵内，找到只包含 1 的最大正方形，并返回其面积。 示例: 输入: 1 0 1 0 0 1 0 1 1 1 1 1 1 1 1 1 0 0 1 0 输出: 4 思路 动态规划，时间复杂度为O(n^2) dp[i][j]表示以点(i, j)为右下角的正方形的 阅读全文