摘要：
梯度下降法（Gradient Descent） 优化思想：用当前位置的负梯度方向作为搜索方向，亦即为当前位置下降最快的方向，也称“最速下降法”。越接近目标值时，步长越小，下降越慢。 如下图所示，梯度下降不一定能找到全局最优解，可能寻找到的是局部最优解。（当损失函数是凸函数时，梯度下降得到的解一定是全 阅读全文
摘要：
实现：# -*- coding: UTF-8 -*- import numpy as npfrom sklearn.linear_model import SGDRegressor__author__ = 'zhen'X = 2 * np.random.rand(100, 1)y = 4 + 3 * 阅读全文
摘要：
版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/qq_21904665/article/details/52315642 ElasticNet 是一种使用L1和L2先验作为正则化矩阵的线性回归模型.这种组合用于只有很少的权重非零的稀疏模型，比如:cl 阅读全文
摘要：
<!-- flowchart 箭头图标 勿删 --> 语法： ElasticNet(self, alpha=1.0, l1_ratio=0.5, fit_intercept=True, normalize=False, precompute=False, max_iter=1000, copy_X= 阅读全文
摘要：
版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/aristolto/article/details/77370853 之前使用的是Qt4.7后来换成了Qt5.x，Qtcreator的版本使用4.0，使用中发现Qtcreator远程调试出现“The s 阅读全文
摘要：
<!-- flowchart 箭头图标 勿删 --> 目标函数 Lasso相当于带有L1正则化项的线性回归。先看下目标函数：RSS(w)+λ∥w∥1=∑Ni=0(yi−∑Dj=0wjhj(xi))2+λ∑Dj=0∣wj∣RSS(w)+λ∥w∥1=∑i=0N(yi−∑j=0Dwjhj(xi))2+λ∑ 阅读全文
摘要：
http://www.cnblogs.com/pinard/p/6018889.html 本文将用一个例子来讲述怎么用scikit-learn和pandas来学习Ridge回归。 1. Ridge回归的损失函数 在我的另外一遍讲线性回归的文章中，对Ridge回归做了一些介绍，以及什么时候适合用 Ri 阅读全文
摘要：
from sklearn import datasets from sklearn.model_selection import train_test_split from sklearn.model_selection import GridSearchCV from sklearn.metric 阅读全文
摘要：
一、GridSearchCV介绍： 自动调参，适合小数据集。相当于写一堆循环，自己设定参数列表，一个一个试，找到最合适的参数。数据量大可以使用快速调优的方法 坐标下降【贪心，拿当前对模型影响最大的参数调优，直到最优，但可能获得的是全局最优】。 二、参数使用 class sklearn.model_s 阅读全文
摘要：
SFTP称作“安全的FTP”，它使用ssh文件传输协议。所以我们需要安装openssh-server ubuntu自带的有openssh-client,所以可以通过 ssh username@host 来远程连接linux。 可是要想通过ssh被连接,ubuntu系统需要有openssh-serve 阅读全文
摘要：
引用 vi /etc/ssh/sshd_config 将PermitRootLogin项改为yes service sshd restart 重启sshd服务即可 vi /etc/ssh/sshd_config 将PermitRootLogin项改为yes service sshd restart 阅读全文
摘要：
版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/libaineu2004/article/details/62423830 尊重作者，支持原创，如需转载，请附上原地址：http://blog.csdn.net/libaineu2004/article 阅读全文