摘要：
Kmeans是一种简单的聚类方法，一般在数据分析前期使用，选取适当的k，将数据分类后，然后分类研究不同聚类下数据的特点。 算法原理 kmeans的计算方法如下： 1 随机选取k个中心点； 2 遍历所有数据，将每个数据划分到最近的中心点，作为一个簇； 3 计算每个聚类的平均值，并作为新的中心点； 4 阅读全文
posted @ 2020-05-30 11:23
傅余生
阅读(1492)
评论(0)
推荐(0)
摘要：
1. KNN算法概述 KNN属于分类算法，没有训练过程，新样本根据距离寻找最靠近样本的K个点，根据这K个点的分类确定新样本类别（选择K个点的多数分类）。 如下图，历史数据集有两类，红色三角形和蓝色正方形，现在需要判定绿色圆圈属于三角形还是正方形？ 由图可见，若K值选择3，与圆圈最近的3个点中，有1个 阅读全文
posted @ 2020-05-27 20:21
傅余生
阅读(808)
评论(0)
推荐(0)
摘要：
1. 贝叶斯定理 贝叶斯公式如下： 为B的先验概率，为B的类条件概率，为B的后验概率。 贝叶斯公式为我们提供了依据先验概率求后验概率的方法，在实际生活中，往往代表已知“结果”A那么“原因”B的概率， 先验概率往往指根据经验或历史样本中容易计算的“原因”概率。 2. 朴素贝叶斯分类 将贝叶斯公式应用于 阅读全文
posted @ 2020-05-27 09:51
傅余生
阅读(485)
评论(0)
推荐(0)
摘要：
知乎上的文章写得很详细 https://zhuanlan.zhihu.com/p/77750026 https://zhuanlan.zhihu.com/p/31886934 SVM在解决线性可分的问题 点到超平面的距离： 因为需要最大化magins，所以优化目标：相当于 subject to：（保 阅读全文
posted @ 2020-05-25 09:47
傅余生
阅读(178)
评论(0)
推荐(0)
摘要：
决策树是一种机器学习的方法。决策树的生成算法有ID3, C4.5和C5.0等。决策树是一种树形结构，其中每个内部节点表示一个属性上的判断，每个分支代表一个判断结果的输出，最后每个叶节点代表一种分类结果。 一、信息熵（Information Entropy） 信息熵用于度量样本集合浓度，决策树的构建过 阅读全文
posted @ 2020-05-22 17:29
傅余生
阅读(685)
评论(0)
推荐(0)
摘要：
一、Sigmod函数 线性回归的假设函数:，但在分类问题中需要求输入范围在（0，1），则需要为分类问题寻找另外假设函数。 Sigmod函数式： ，函数值域（0，1） 函数图像 该函数具有很强的鲁棒性,并且将函数的输入范围(∞,-∞)映射到了输出的(0,1)之间且具有概率意义。将一个样本输入到我们学习 阅读全文
posted @ 2020-05-21 13:52
傅余生
阅读(783)
评论(0)
推荐(0)
摘要：
欠拟合：模型没有充分学习到数据集特征，不具有泛化能力。 过拟合：模型过分理解数据集特征，学习到训练上局部特征或噪声特征，以至于在测试集上表现不佳。 欠拟合原因：模型不够复杂，拟合函数的能力不足。 解决欠拟合：1. 添加特征，从数据中挖掘出更多的特征，有时候还需要对特征进行变换，使用组合特征和高次特征 阅读全文
posted @ 2020-05-19 11:04
傅余生
阅读(160)
评论(0)
推荐(0)
摘要：
在学习线性回归，在基于均方误差最小化进行模型求解时，需要利用梯度下降的方式逐步逼近最优解。 线性回归的假设函数（一个特征的情况下）：，为第i个样本值。 其中i代表样本数。 均方误差的代价函数（优化的目标函数）：，m个样本值。 目的：确定参数使代价函数最小。 1、批量梯度下降（Batch Gradie 阅读全文
posted @ 2020-05-18 21:17
傅余生
阅读(313)
评论(0)
推荐(0)
摘要：
统计学中，一般将变量与变量之间的关系划分为函数关系和相关关系。 函数关系：因变量与自变量之间存在函数式关系。当一个变量或几个变量取一定的值时，另一个变量有确定值。例如，当给出圆的半径r时，就可以根据S=πr2，计算出圆面积S。 相关关系：因变量与自变量之间存在非严格的依存关系。当一个变量或几个变量取 阅读全文
posted @ 2020-05-17 13:55
傅余生
阅读(1235)
评论(0)
推荐(0)
摘要：
一、卡方分布 1. 定义 设 X1..Xn是服从标准正态分布的随机变量，则称统计量 服从自由度为n的卡方分布（标准正态分布随机变量的平方和），记为，其中v称为自由度。 卡方分布期望和方差： 。 2. 外形（取决于自由度） 3. 统计量计算 , 为实际频数，为期望频数。 4. 分布的两个主要用途 分布 阅读全文
posted @ 2020-05-16 15:42
傅余生
阅读(7499)
评论(0)
推荐(0)
