摘要：
原理 求解最佳投影方向，使得同类投影点尽可能的进，异类投影点尽可能的远 同类投影点距离用同类样本协方差矩阵表示 $$ \omega^T \Sigma_i \omega \quad {第i类样本协方差}$$ 异类投影点距离 $$ ||\omega^T\mu_0 \omega^T\mu_1||_2^2$ 阅读全文
摘要：
np.exp()可用作函数使用 输入可以为数组，返还可以表示函数值，==可用于图像绘制== np.math.exp()输入必须为固定的数或者其他数据类型（数组）， ==必须固定，不能是变量，不能用于画图== ==输出为固定数值在数值计算时使用== ==数值计算时使用np.exp()用于向量计算，容易 阅读全文
摘要：
多张图分开，在不同的窗口 一张图包含若干子图 阅读全文
摘要：
#名为回归，其实为一种分类算法 数据集： \(D = \lbrace x_i, y_i \rbrace i = 1, 2 , ..., n\) 其中 \(x_i = (x_{i1}; x_{i2}; ...; x_{im})\) 即每个样本有m个属性 $$ y_i = \begin 1 , & \t 阅读全文
摘要：
对于2个变量的样本回归分析，L2和L1正则化基本相同，仅仅正则化项不同 LASSO回归为在损失函数加入$||\omega||_1$ ,\(\omega\) 的1范数 而 岭回归为$||\omega||_2^2$，\(\omega\) 的2范数 *矩阵、向量范数 *L1正则化（岭回归） #LASSO 阅读全文
摘要：
样本 $$x_i=(x_{i1};x_{i2}; ...; x_{im}) \, {函数值 y_i}$$ 每个样本有m个变量 回归面 $$f(x_i) = x_i^T \omega +b $$ $\omega = (\omega_1; \omega_2; ...; \omega_m)$ $$\hat 阅读全文
摘要：
norm：翻译为模或者内积，广义来说是一个函数 vector（向量） norms 1. eculidean（欧几里得）norm vector $x = (x_1;x_2; ...; x_n)$ 其eculidean norm为 ：$||x|| = \sqrt{x^T x} = (\sum_{i=1} 阅读全文
摘要：
数据集： $$D=\lbrace (x_1,y_1),(x_2,y_2),...,(x_m,y_m)\rbrace$$ 其中： $$x_i = (x_{i1};x_{i2};...;x_{id})$$ 单属性，二分类 分类面： $$f(x)= \omega x + b$$ 最小均方差求$\omega 阅读全文
摘要：
task.json: { "version": "2.0.0", "options": { "cwd": "${workspaceRoot}/build" },/////////////////////////////////////////////////设置编译启动时路径，将makefile保存 阅读全文
摘要：
在conda配置的环境下，使用conda install 命令安装python包，在编写python程序import时，容易报上面错误。 解决： 1、使用conda uninstall 命令将指定包卸载 2、使用 pip install命令重新安装。 （个人多次尝试发现的规律，猜测可能conda 命 阅读全文