摘要：
（草稿） Random Forest的随机性表现在哪里。 第一，是选择训练样本的随机性，又放回的 第二，是选择树节点特征的随机性。在n个特征中选择nsub个子特征的最优，但是会增加树对样本的你和程度，但是会提高泛化能力，可采用交叉验证的方法确定合适的nsub。 https://www.cnblogs 阅读全文
摘要：
（草稿） PCA主成分分析 取协方差矩阵 取矩阵特征值、特征向量 取最大特征值的特征向量 原始数据左乘特征向量，得到降维结果。 https://blog.csdn.net/sxf1061926959/article/details/53907935 阅读全文
摘要：
（草稿） https://www.cnblogs.com/gavanwanggw/p/7073905.html 阅读全文
摘要：
（草稿） 过程： 1. 初始化所有节点的 labels 成唯一的值； 2. 对每个节点，将 label 更新为和其相连的所有节点中，标签最多的 节点的label； 2. 初始化情况下，假如所有相连的节点的label没有重复，则随机选取一个。 3. 直到不再更新，停止。 阅读全文
摘要：
（草稿） 两点关系的三种定义： 1. 直接密度可达：A在B的邻域内； 2. 密度可达：AB之间存在，直接密度可达的点串； 3. 密度连接：AB之间存在点k，使得Ak和Bk都密度可达； 过程： 1. 对每个点 2. 分别求满足 连接性和最大性的 簇 。 3. 所有点都归类，结束。 参考： https: 阅读全文
摘要：
（草稿） k-means: 1. 随机选取n个中心 2. 计算每个点到各个中心的距离 3. 距离小于阈值的归成一类。 4. 计算新类的质心，作为下一次循环的n个中心 5. 直到新类的质心和对应本次循环的n个中心的偏移不大，停止。 k-means++: 1. 随机选取n个中心（越远的被选取的概率越大， 阅读全文
摘要：
（草稿） meanshift 也是一种聚类方法。 优点在于：不需要提前指定类型数。 缺点就是计算量大 过程：（最一般的做法，没有使用核函数） 1. 逐点迭代，设置为位置中心 2. 计算所有点到位置中心的距离 3. 计算位置的质心（平均） 4. 位置中心的质心的距离够小就停止，该位置中心点就属于（质心 阅读全文
摘要：
repeat：复制元素 axis = 0 复制每行 axis = 1 复制每列 2 表示复制一遍 不设置axis，复制每个，按行展开成一行。 阅读全文
摘要：
求和： axis = 0 按列求和 axis = 1 按行求和 阅读全文
摘要：
转自： https://github.com/zhaozhiyong19890102/Python-Machine-Learning-Algorithm 阅读全文