10 2017 档案

机器学习python实战----手写数字识别
摘要：看了上一篇内容之后，相信对K近邻算法有了一个清晰的认识，今天的内容——手写数字识别是对上一篇内容的延续，这里也是为了自己能更熟练的掌握k-NN算法。 我们有大约2000个训练样本和1000个左右测试样本，训练样本所在的文件夹是trainingDigits，测试样本所在的文件夹是testDigits。 阅读全文
posted @ 2017-10-29 20:21 嗜血的草 阅读(1130) 评论(0) 推荐(0) 编辑
机器学习python实战----k近邻算法
摘要：前一周学习了一些理论的知识，虽然懂了原理，但感觉真要写起代码来还是摸不着头脑，所以接下来的几天都打算在代码方面下一番功夫。由于接触python不久，且能力有限，难免有些错误的或者理解不到位的地方，希望读者不吝指正！ K-近邻算法(k-NN)的基本原理：存在一个样本数据集合，也叫训练样本集，并且样本集 阅读全文
posted @ 2017-10-27 21:19 嗜血的草 阅读(630) 评论(0) 推荐(0) 编辑
斯坦福2014机器学习笔记八----机器学习系统的设计
摘要：今天的这部分内容比较简单，没有复杂的数学公式，学了这一周多的理论，接下来的几天准备python实战啦！先来看今天的部分吧。 一、纲要 初学者设计机器学习系统的建议 误差分析 偏斜类的定义及误差度量 二、内容详述 1、初学者设计机器学习系统的建议 在部分内容中，Andrew Ng老师给出的建议是：初学 阅读全文
posted @ 2017-10-26 23:50 嗜血的草 阅读(275) 评论(0) 推荐(0) 编辑
斯坦福2014机器学习笔记七----应用机器学习的建议
摘要：一、纲要 纠正较大误差的方法 模型选择问题之目标函数阶数的选择 模型选择问题之正则化参数λ的选择 学习曲线 二、内容详述 1、纠正较大误差的方法 当我们运用训练好了的模型来做预测时，发现会有较大的误差，这时我们有哪些解决方法呢？ (1)获得更多的训练集 (2)减少特征的数量 (3)增加特征的数量 ( 阅读全文
posted @ 2017-10-25 16:08 嗜血的草 阅读(428) 评论(0) 推荐(0) 编辑
斯坦福2014机器学习笔记六----神经网络(二)
摘要：一、纲要 神经网络代价函数 反向传播(BackPropagation)算法 梯度检验 参数随机初始化 总结 二、内容详述 1、神经网络代价函数 在逻辑回归中，我们的输出只有一个变量，是标量，就是一个y，但是在神经网络中我们可以有K个输出量，所以神经网络中的输出y是个K*1的向量，所以这里需要在逻辑回 阅读全文
posted @ 2017-10-24 18:54 嗜血的草 阅读(362) 评论(0) 推荐(0) 编辑
斯坦福2014机器学习笔记六----神经网络（一）
摘要：一、纲要 神经网络模型表示 神经网络的直观理解 神经网络做多类分类 二、内容详述 1、神经网络模型表示 这里就不再描述大脑的神经网络和神经元了，我们直接看神经网络的模型。我们先从最简单的神经网络开始，即只有input layer和output layer 这里的x0叫做偏置单元，跟之前一样，为一常数 阅读全文
posted @ 2017-10-24 00:29 嗜血的草 阅读(571) 评论(0) 推荐(0) 编辑
斯坦福2014机器学习笔记五----正则化
摘要：版权声明：本文为博主原创文章,转载请指明转载地址 一、纲要 欠拟合和过拟合 代价函数正则化 正则化线性回归 正则化逻辑回归 二、内容详述 1、欠拟合和过拟合 欠拟合，也叫高偏差，就是没有很好的拟合数据集的情况。如下图中的左图所示 过拟合，也叫高方差，就是虽然高阶多项式可以完美的拟合所有的数据，但会导 阅读全文
posted @ 2017-10-22 22:04 嗜血的草 阅读(426) 评论(0) 推荐(0) 编辑
斯坦福2014机器学习笔记四----逻辑回归
摘要：一、纲要 逻辑回归 决策边界 拟合逻辑回归的参数θ 多类别分类问题(Multiclass classification) 二、内容详述 1、逻辑回归 逻辑回归，实际上就是一种分类算法，它的性质是输出值应该在[0,1]这个区间，所以对于逻辑回归问题我们的函数h就不再跟前面线性回归的函数一样的形式了，我 阅读全文
posted @ 2017-10-21 01:14 嗜血的草 阅读(350) 评论(0) 推荐(0) 编辑
斯坦福2014机器学习笔记三----多变量线性回归与梯度下降法
摘要：一、纲要 多变量线性回归 特征缩放与均值归一化 学习速率α对梯度下降法的影响 正规方程 二、内容详述 1、多变量线性回归 上一篇我们看到了单变量的线性回归，只有一个变量x，，这里如果有多个变量的话，该方程就变为，我们可以假设X0=1，所以上式变为。那么多变量的代价函数为，我们可以得出多变量的梯度下降 阅读全文
posted @ 2017-10-19 23:27 嗜血的草 阅读(1121) 评论(0) 推荐(0) 编辑
斯坦福2014机器学习笔记二----梯度下降法
摘要：一、纲要 梯度下降法的可视化理解 梯度下降法的公式 参数的更新方法 梯度下降算法最小化代价函数 二、内容介绍 1、梯度下降法的可视化理解 在上篇文章中我说了代价函数的最小化就是要寻找该函数的最小值，或者说是局部最小值。如上图，我们假设红色的为两个山峰，那么蓝色的就是我们要找的最小值。这个过程我们可以 阅读全文
posted @ 2017-10-19 11:54 嗜血的草 阅读(410) 评论(0) 推荐(0) 编辑
斯坦福2014机器学习笔记一----基本概念与线性回归
摘要：一、纲要 机器学习的定义 监督学习(supervised learning)和无监督学习(unsupervised learning) 回归问题(regression problem)与分类问题(classification problem) 鸡尾酒宴问题 单变量线性回归问题 二、概念介绍 1.什么 阅读全文
posted @ 2017-10-18 00:48 嗜血的草 阅读(481) 评论(0) 推荐(0) 编辑