02 2020 档案
摘要：不同的分类算法各有优缺点，可以将不同的分类器组合起来 这种组合被称为集成方法（ensemble method）或者元算法（meta algorithm） 使用集成方法有多种形式 ○ 可以是不同算法的集成 ○ 可以是同一算法在不同设置下的集成 ○ 可以是数据集不同部分分配给不同
阅读全文
摘要：优点：泛化错误率低，计算开销不大，结果易解释 缺点：对参数调节和核函数的选择敏感，原始分类器不加修改仅适用于处理二分类问题 线性可分 给定一个二维数据集，如果可以用一条直线，将数据分成两类，在直线的一边都是一种分类，另一边的都是另一种分类，我们说这个数据集线性可分 该直线称为分隔超平面（Separa
阅读全文
摘要：虽然名字里带回归，但实际上是一种分类方法，主要用于两分类问题，即只有两种分类 优点：计算代价不高，易于理解和实现 缺点：容易欠拟合，分类精度可能不高 原理 线性回归函数 其中 X 是特征值 W 是回归系数 X 和 W 都是向量，可展开为 $\small
阅读全文
摘要：导数 设有一元函数 则函数在点 处的导数为 $\normalsize f^{'}(x_{0})=\lim_{\Delta x\rightarrow 0}\frac{f(x_{0}+\Delta x) f(x_{0})}
阅读全文
摘要：朴素贝叶斯（Naive Bayesian）分类器可以给出一个最优的类别猜测结果，同时给出这个猜测的概率估计值 优点：在数据较少的情况下仍然有效，可以处理多类别问题 缺点：对于输入数据的准备方式较为敏感 贝叶斯准则 公式
阅读全文
摘要：ID3 决策树构建树的依据是简单的比较样本集分类前后的信息增益 此外还有 CART 决策树，C4.5 决策树等 优点：计算复杂度不高，输出结果易于理解，对中间值的缺失不敏感，可以处理不相关特征数据 缺点：只能处理离散数据，可能会过度匹配，实现较为复杂，存在特征值太多的问题 工作原理： 将样本数据转为
阅读全文
摘要：kNN 算法不需要经过算法训练，属于懒惰学习，需要训练的属于急切学习 kNN 是最简单的分类算法 优点：精度高、对异常值不敏感、无数据输入假定 缺点：计算复杂度高、空间复杂度高 工作原理： 输入没有标签的新数据后，将新数据的每个特征与样本集中每个数据对应的特征进行比较，然后算法提取样本集中 k 个特
阅读全文
摘要：用的比较多的算法有 SVM，贝叶斯 (数据少时仍有效)，集成算法 (随机森林，xgboost)，神经网络等 ###K-近邻算法 作用：分类算法 优点：最简单、不需要训练、容易理解 缺点：计算复杂度高、空间复杂度高 原理：计算新数据与样本集中所有数据的欧式距离，提取距离最近的 K 个样本的标签，取 K
阅读全文
摘要：1. 数据处理 转换数据格式 比如将名称用数字表示、浮点数转为整数 特征值的类型 离散型还是连续型，这会影响算法的选择 特征值的提取 去掉没用的数据比如 ID 值 去掉发生频率太低的特征 直接提取有用的特征 需要的话整合特征，比如 取一段时间内的均值做特征值 取两列数据的和做特征值 取两列数据的皮尔
阅读全文
摘要：###人工智能（Artificial Intelligence） - 通过计算机模拟人类智慧，以完成很多只有人类才可以完成，甚至连人类都无法完成的任务 - 比如专家系统、图像识别、语音识别、自然语言处理、自动驾驶、推荐系统、人机博弈、电脑游戏、机器人等 - 人类利用计算机完成了很多对人类而言非常困难
阅读全文
摘要：1. 下载并安装 Keycloak "下载地址" 这里以版本 7 为例子 解压，点击 bin\standalone.bat 直接运行即可 默认登陆地址 http://localhost:8080/auth 创建账号并登陆 官方文档 https://www.keycloak.org/docs/late
阅读全文
摘要：Python3 下 Redis 默认返回 bytes 类型数据，而 Python3 下 bytes 类型和 str 类型不能直接互用，容易出错，解决方法是在建立 Redis 连接的时候将 decode_responses 设置为 True，表示将返回的 bytes 数据解码为 str 数据
阅读全文
摘要：1. 下载并安装 Pycharm "windows 版下载地址" 2. 运行 Pycharm 可在 Configure Settings Appearance Theme 设置风格 3. 点击 Create New Project 创建新项目 Test 目录可以是一个空目录（新项目），也可以是包含了
阅读全文
