摘要：
[TOC] 人工智能从入门到放弃完整教程目录：https://www.cnblogs.com/nickchen121/p/11686958.html 条件概率 一、条件概率简介 条件概率是指事件A在另外一个事件B已经发生条件下的发生概率。条件概率表示为：$p(A|B)$，读作“在B的条件下A的概率” 阅读全文
posted @ 2019-10-16 17:07
B站-水论文的程序猿
阅读(873)
评论(0)
推荐(0)
摘要：
[TOC] 人工智能从入门到放弃完整教程目录：https://www.cnblogs.com/nickchen121/p/11686958.html 决策树总结 一、ID3算法、C4.5算法和CART算法比较 | 算法 | 树结构 | 支持模型 | 特征选择 | 连续值处理 | 缺失值处理 | 剪枝 阅读全文
posted @ 2019-10-16 17:07
B站-水论文的程序猿
阅读(2175)
评论(0)
推荐(0)
摘要：
[TOC] 人工智能从入门到放弃完整教程目录：https://www.cnblogs.com/nickchen121/p/11686958.html 决策树C4.5算法 为了解决决策树ID3算法的不足，ID3算法的作者昆兰基于它的不足改进了决策树ID3算法。但是可能会有人有疑问，既然上一个决策树算法 阅读全文
posted @ 2019-10-16 17:07
B站-水论文的程序猿
阅读(2854)
评论(0)
推荐(1)
摘要：
[TOC] 人工智能从入门到放弃完整教程目录：https://www.cnblogs.com/nickchen121/p/11686958.html 牛顿法和拟牛顿法 牛顿法(Newton method)和拟牛顿法(quasi Newton method)和梯度下降法一样也是求解最优化问题的常用方法 阅读全文
posted @ 2019-10-16 17:07
B站-水论文的程序猿
阅读(1232)
评论(0)
推荐(0)
摘要：
[TOC] 人工智能从入门到放弃完整教程目录：https://www.cnblogs.com/nickchen121/p/11686958.html 手写数字识别应用程序 一、导入模块 二、图像转向量 三、训练并测试模型 四、模型转应用程序 4.1 展示图片 4.2 处理图片 4.3 预测图片 阅读全文
posted @ 2019-10-16 17:07
B站-水论文的程序猿
阅读(1824)
评论(0)
推荐(1)
摘要：
[TOC] 人工智能从入门到放弃完整教程目录：https://www.cnblogs.com/nickchen121/p/11686958.html 梯度提升树 梯度提升树(gradien boosting decision tree，GBDT)在工业上用途广泛，属于最流行、最实用的算法之一，梯度提 阅读全文
posted @ 2019-10-16 17:07
B站-水论文的程序猿
阅读(1680)
评论(0)
推荐(0)
摘要：
[TOC] 人工智能从入门到放弃完整教程目录：https://www.cnblogs.com/nickchen121/p/11686958.html 熵和信息增益 一、熵（Entropy） 熵表示 。假设离散随机变量$X$可以取到$n$个值，其概率分布为 $$ P(X=x_i)=p_i, \quad 阅读全文
posted @ 2019-10-16 17:07
B站-水论文的程序猿
阅读(1065)
评论(0)
推荐(0)
摘要：
[TOC] 人工智能从入门到放弃完整教程目录：https://www.cnblogs.com/nickchen121/p/11686958.html 贝叶斯决策 一、贝叶斯决策理论 贝叶斯决策理论：在不完全情报下，对部分未知的状态用主观概率估计。 二、贝叶斯公式 2.1 从条件概率公式推导贝叶斯公式 阅读全文
posted @ 2019-10-16 17:07
B站-水论文的程序猿
阅读(833)
评论(0)
推荐(0)
摘要：
[TOC] 人工智能从入门到放弃完整教程目录：https://www.cnblogs.com/nickchen121/p/11686958.html Sigmoid函数 一、Sigmoid函数详解 上图为Sigmoid函数图像，可以看出当$z$趋于正无穷时，$g(z)$趋于1；当$z$趋于负无穷时， 阅读全文
posted @ 2019-10-16 17:07
B站-水论文的程序猿
阅读(1406)
评论(0)
推荐(0)
摘要：
[TOC] 人工智能从入门到放弃完整教程目录：https://www.cnblogs.com/nickchen121/p/11686958.html 推荐系统常用评估指标 一、RMSE 加大了对预测不准的用户物品评分的惩罚。 $$ \text{RMSE}=\sqrt\frac{\sum_{u,i\i 阅读全文
posted @ 2019-10-16 17:07
B站-水论文的程序猿
阅读(1630)
评论(0)
推荐(0)
浙公网安备 33010602011771号