舌耳的博客

文章目录6.1什么是支持向量机6.2 推导过程6.2.1距离和目标函数6.2.2使用拉格朗日乘子法解SVM6.2.3 SVM求解实例6.3 软间隔6.4 低维不可分或者难分解时6.7 高斯核函数 6.1什么是支持向量机 一个二分类模型，寻找决策边界最宽的一个超平面将数据进行分割 解决问题的步骤： *把所有样本和其对应的分类标记交给算法进行训练 *如果发现线性可分，那么直接找出超平面 *如果发现线性...

3.1 什么是集成算法 目的是让最终的结果越好 Bagging 训练多个分类器然后取平均（并行的训练平行的分类器，比如随机森林） f(x)=1M∑M=1Mfm(x)f(x)=\frac{1}{M}\sum_{M=1}^{M}f_m(x)f(x)=M1​∑M=1M​fm​(x) Booting 从弱学习器开始强化，通过加权来进行训练 Fm(x)=Fm−1+argminh∑i=1nL(yi,...

1.1什么是机器学习 简单来说：把无序的数据转化为有用的信息，主要任务：分类 回归 正确率达百分之六十以上的准确率都被认为是成功的 1.2关键术语 一些专业术语 特征 事物的属性 训练集 分类好的样本 测试集 用来评估训练的模型 1.3主要任务 分类 回归 监督学习算法 k-近邻算法    线性回归 朴素贝叶斯    局...

有些地方没看懂 等看懂再完善吧 先进行数据处理将空数据进行补全 导入训练数据 import pandas from sklearn.linear_model import LinearRegression from sklearn.cross_validation import KFold titanic = pandas.read_csv("titanic_train.csv") ti...

day1 初识 day2 决策树 day3 集成算法与随机森林 day4 泰坦尼克号

2.1原理 什么是决策树 从根节点开始一步步走到叶子节点，所有的数据都最终会落在叶子节点上。可以做分类也可以做回归 由什么组成 根节点：第一个选择点 非叶子节点：中间过程 叶子节点：最终的决策结果 两个阶段 训练阶段 从给定训练集中构造一棵树(从根节点开始选择特征，如何进行特征切分） 测试阶段 根据构造出来的树模型，从上到下走一遍 2.2 如何切分特征 熵：表示随机变量不确定性的度量（...

文章目录5.1什么是贝叶斯公式5.1贝叶斯应用的例子5.2拼写检查器5.3垃圾邮件过滤 5.1什么是贝叶斯公式 贝叶斯公式 P(A∣B)=P(B∣A)P(A)P(B)P_{(A|B)}=\frac {P_{(B|A)}P_{(A)}} {P_{(B)}}P(A∣B)​=P(B)​P(B∣A)​P(A)​​ 他能解决什么问题 正向概率:假设袋子里面有N个白球，M个黑球，你伸手进去摸一把， 摸出黑球...

代码思想很好理解 首先读取并处理文件文件（全部小写），并将其转化成字典的格式（NWORDS）。单词为键 出现的次数为值 通过input输入需要判断的单词，并调用correct 在crrect中，判断四种情：      1.（known）是否是NWORDS中的单词，如不满足到2      2.（...