摘要：
介绍 线性判别分析（Linear Discriminant Analysis, LDA）是一种有监督式的数据降维方法，是在机器学习和数据挖掘中一种广泛使用的经典算法。LDA的希望将带上标签的数据（点），通过投影的方法，投影到维度更低的空间中，使得投影后的点，按类别区分成一簇一簇的情况，并且相同类别的 阅读全文
摘要：
具体例子： 阅读全文
摘要：
本文本质上是在线性回归的基础上进行扩展，加入了正则化而已！ 机器学习算法原理实现——使用梯度下降求解线性回归 正则化在机器学习中是一种防止过拟合的技术，它通过在损失函数中添加一个惩罚项来限制模型的复杂度。举一个实际的例子，假设你正在训练一个机器学习模型来预测房价。你有很多特征，如房间数量、地理位置、 阅读全文
摘要：
交叉熵的定义以及和熵的区别？ 交叉熵是衡量两个概率分布之间的差异的一个度量。在机器学习和深度学习中，尤其是分类问题，交叉熵常被用作损失函数。交叉熵度量的是实际分布（标签）与模型预测之间的不一致程度。 这个值越小，模型的预测与真实分布越接近。完美的预测会有交叉熵为0，这是因为模型的预测概率分布与真实概 阅读全文
摘要：
什么是梯度下降？ 机器学习算法都需要最大化或最小化一个函数，这个函数被称为"目标函数"，其中我们一般把最小化的一类函数，称为"损失函数"。它能根据预测结果，衡量出模型预测能力的好坏。在求损失函数最小化的过程中使用梯度下降法。 ��(�)�� 在直线方程中，导数代表斜率，在曲线方程中，导数代表 阅读全文
摘要：
numpy.empty 函数用于创建一个指定形状和数据类型的新数组，但不填充任何值。这意味着它可以比其他创建数组的函数（如 numpy.zeros 或 numpy.ones）更快，因为它不需要花时间去初始化数组的值。但是，这也意味着数组的初始内容是随机的，取决于内存的状态。因此，除非你打算在创建数组 阅读全文
摘要：
正则化在机器学习中是一种防止过拟合的技术，它通过在损失函数中添加一个惩罚项来限制模型的复杂度。举一个实际的例子，假设你正在训练一个机器学习模型来预测房价。你有很多特征，如房间数量、地理位置、建筑年份等。如果你的模型过于复杂，例如它尝试拟合每一个训练样本的细微差异，那么它可能在训练数据上表现得很好，但 阅读全文
摘要：
import numpy as np # 创建两个一维数组 a = np.array([1, 2, 3]) b = np.array([4, 5, 6]) # 使用numpy.c_将它们连接在一起 """ numpy.c_ 是一个方便的工具，用于沿第二轴连接数组。 它将数组转换为至少2-D，并将它们 阅读全文
摘要：
代码： import pyshark def extract_dns_info(packet): dns = packet.dns query_name = dns.qry_name if hasattr(dns, 'qry_name') else None query_type = dns.qry 阅读全文
摘要：
https://s.threatbook.com/report/file/99eddc2794077f97a5cfe3098f431c4cfc4fd6353957ee715b2eccbff066ce1d 09:30:16:088, 99eddc2794077f97a5cfe3098f431c4cfc 阅读全文