03 2019 档案
摘要：感知机思想：在二维就是找到一条直线，在三维或者更高维就是找到一个分离超平面，将所有二元类别分开。 使用感知机最大前提就是数据线性可分。支持向量机面对不可分时通过核函数让数据高维可分，神经网络通过激活函数和隐藏函数让数据可分。 一、感知机模型 由输入空间（特征空间）到输出空间的如下函数： $$ f(x
阅读全文
摘要：决策树-ID3、C4.5 决策树-CART 分类树 决策树-CART 回归树 决策树后剪枝 在 决策树- 中，提到 的不足，比如，模型用较为复杂的熵来度量，生成较为复杂的多叉树，只能处理分类问题，不能处理回归问题。对这些问题，（\(Class
阅读全文
摘要：K-Means算法是无监督聚类算法，它有很多变体。包括初始化优化K-Means++，距离计算优化elkan K-Means算法和大样本优化Mini Batch K-Means算法。 1. K-Means原理 K-Means算法思想：按照样本之间距离大小，将样本划分为K个簇。让簇内点尽量连在一起，簇间
阅读全文
摘要：逻辑回归（）是分类方法。可以处理二元分类和多元分类。 一、逻辑斯谛分布 逻辑斯谛分布的密度函数 和分布函数 如图。分布函数属于逻辑斯谛函数，曲线以点 \(\left(\mu ,\frac{1}{2}\right)
阅读全文
摘要：@相当于在一个函数中调用另一个函数，并执行操作 def funA(x): print(x()) print(' over ') @funA def funB(): return 'hello' 相当于执行 funA(funB)，以 funB 作为入参，执行 funA()。 所以 print(x())
阅读全文
摘要：装饰器是Python中一种强大而灵活的语法特性，用于修改或扩展函数或方法的行为。装饰器本质上是一个函数，它接受一个函数作为输入，并返回一个新的函数或可调用对象。装饰器通常用于代码重用、日志记录、性能分析等场景。 下面是一个简单的例子，演示了如何定义和使用装饰器： # 定义一个简单的装饰器 def m
阅读全文
摘要：一、问题 减少调用函数时的参数个数。 二、解决方案 functools.partial() 函数允许给一个或多个参数设置固定的值，减少被调用是的参数个数。 def test(a, b, c, d): print(a, b, c, d) from functools import partial s1
阅读全文
摘要：方法1: Markdown格式下 路径是相对路径，不能是绝对路径。 不能改变图形大小 方法2: 方法3: 路径是相对路径，不能是绝对路径。 可改变图形大小。 注意事项： 1. 网络图片： 本地图片（与jupyter文件在同一目录）： 2. 前面有”!”符号，无论windows还是linux图片路径都
阅读全文
摘要：一、什么是正规方程 梯度下降法计算参数最优解，过程是对代价函数的每个参数求偏导，通过迭代算法一步步更新，直到收敛到全局最小值，从而得到最优参数。 正规方程是一次性求得最优解。 思想：对于一个简单函数，对参数求导，将其值置为0，就得到参数的值。像下面这样： 现实例子有很多参数，我们要对这些参数都求偏导
阅读全文
摘要：1. if语句在行内 print('Hello' if True else 'World') Hello 2. 数值比较 x = 2 if 3>x>1: print(x) if 1<x>0: print(x) 2 2 3. 迭代工具 和collections库相似，还有一个库itertools，能高
阅读全文
