摘要：
%%time from utils.utils import create_dataset, Trainer from layer.layer import Embedding, FeaturesEmbedding, EmbeddingsInteraction, MultiLayerPerceptr 阅读全文
摘要：
数据准备 import numpy as np import pandas as pd from sklearn import model_selection as cv from sklearn.metrics.pairwise import pairwise_distances from skl 阅读全文
摘要：
协同过滤 import numpy as np import pandas as pd from sklearn import model_selection as cv from sklearn.metrics.pairwise import pairwise_distances from skl 阅读全文
摘要：
决策树 在决策时，我们通常会考虑某一条件满不满足，判断完之后，再确定下一步的该怎么办。这样就形成了一个树状的决策形式。这就是决策树的主要思想--根据某一特征对数据进行分组直至特征用完或者全是某一类，根据此节点的样本的比例作为先验概率。 选择特征 首先要面临的问题特征的选择顺序，应该先用哪个特征值来分 阅读全文
摘要：
反向传播 预备 假设样本为$\left{ \left( \pmb{x}_1 , \pmb{y}_1 \right), \left( \pmb{x}_2 , \pmb{y}_2 \right), \dots , \left( \pmb{x}_n , \pmb{y}_n \right) \right}$ 阅读全文
摘要：
K-means算法是一种无监督算法，需要首先确定将要分成的聚类数k，随机选k个点（称为聚类点），样本点分配给离聚类点最近的那个聚类，然后每个聚类的mean设为新的聚类的点，一直更新直到损失（可以通过平方损失，每个样本点到聚类点距离的平方）变化不大。按照此思路实现的代码如下。 import numpy 阅读全文
摘要：
如图，对于一个可分并且没有异常数据的二分问题，通过原始的感知机算法能够得到正确分类。如果靠近直线的蓝点再往上移动一点，就回被错误预测，算法的泛化能力并不好。支持向量机是一种讲样本与分界面之间间隔最大化的算法，所以用SVM可以或者更好的划分。 Hard Margin SVM（硬间隔支持向量机） 为了方 阅读全文
摘要：
逻辑回归 导入包 import numpy as np import pandas as pd import matplotlib.pyplot as plt 人工数据集 n = 100 X = np.array(np.random.normal(3,2,size=(n//2,1)), dtype 阅读全文
摘要：
感知机算法 依赖 import numpy as np import pandas as pd import matplotlib.pyplot as plt 人工数据集 n = 100 X = np.random.multivariate_normal((1, 1), [[0.16, 0], [0 阅读全文
摘要：
指数族函数 待完善 作者查阅了一些资料，全是公式函数名也陌生，所以这部分一直进行不下去。其实不用怕，只是提出了一类分布，这一类分布遵循着一些性质，具体推导过程甚至可以不了解，直接拿着结论用。通过这些特点你可以根据极大似然估计求损失函数。 表达式 常见形式 $$p(y|\lambda) = \frac 阅读全文
