摘要：
差不多一年前的这个时候，去了阿里巴巴(杭州总部)的阿里云事业群实习，走上了大数据算法工程师的道路，这个博客也就没有更新了。后来又去了腾讯MIG事业群实习，工作内容同样是大数据分析相关。 一路走来，产生了非常多的思路看法。以前的很多技术观点现在看来是很不成熟的。 阅读全文
2015年1月12日
摘要：
前言 对于如何发现一个数据集中的频繁项集，前文讲解的经典 Apriori 算法能够做到。 然而，对于每个潜在的频繁项，它都要检索一遍数据集，这是比较低效的。在实际的大数据应用中，这么做就更不好了。 本文将介绍一种专门检索频繁项集的新算法 - FP-growth 算法。 它只会扫描数据集两次，能循序挖 阅读全文
2015年1月9日
摘要：
前言 想必大家都听过数据挖掘领域那个经典的故事 - "啤酒与尿布" 的故事。 那么，具体是怎么从海量销售信息中挖掘出啤酒和尿布之间的关系呢？ 这就是关联分析所要完成的任务了。 本文将讲解关联分析领域中最为经典的Apriori算法，并给出具体的代码实现。 关联分析领域的一些概念 1. 频繁项集: 数据 阅读全文
2015年1月6日
摘要：
前言 在前面的文章中，涉及到的机器学习算法均为监督学习算法。 所谓监督学习，就是有训练过程的学习。再确切点，就是有 "分类标签集" 的学习。 现在开始，将进入到非监督学习领域。从经典的聚类问题展开讨论。所谓聚类，就是事先并不知道具体分类方案的分类 (允许知道分类个数)。 本文将介绍一个最为经典的聚类 阅读全文
2015年1月5日
摘要：
前言 前文讨论的回归算法都是全局且针对线性问题的回归，即使是其中的局部加权线性回归法，也有其弊端(具体请参考前文) 采用全局模型会导致模型非常的臃肿，因为需要计算所有的样本点，而且现实生活中很多样本都有大量的特征信息。 另一方面，实际生活中更多的问题都是非线性问题。 针对这些问题，有了树回归系列算法 阅读全文
2015年1月4日
摘要：
前言 本文将系统的介绍机器学习中监督学习的回归部分，系统的讲解如何利用回归理论知识来预测出一个分类的连续值。 显然，与监督学习中的分类部分相比，它有很鲜明的特点：输出为连续值，而不仅仅是标称类型的分类结果。 基本线性回归解决方案 - 最小二乘法 “给出一堆散点，求出其回归方程。" -> 对于这个问题 阅读全文
2015年1月2日
摘要：
前言 在前面的文章中，讨论了一些分类算法。然后，有一点一直忽视了，就是非均衡的分类问题。 分均衡分类有两种情形 情形一：正例和反例数量相差非常大。 比如，分析信用卡信息集里面的正常样本和诈骗样本。正常样本固然比诈骗样本要多的多了。 情形二：分类正确/错误的代价不同。 比如，分析病人的体检数据，我们肯 阅读全文
摘要：
前言 有人认为 AdaBoost 是最好的监督学习的方式。 某种程度上因为它是元算法，也就是说它会是几种分类器的组合。这就好比对于一个问题能够咨询多个 "专家" 的意见了。 组合的方式有多种，可能是不同分类算法的分类器，可能是同一算法在不同设置下的集成，还可以是数据集在不同部分分配给不同分类器之后的 阅读全文
2014年12月31日
摘要：
前言 支持向量机，也即SVM，号称分类算法，甚至机器学习界老大哥。其理论优美，发展相对完善，是非常受到推崇的算法。 本文将讲解的SVM基于一种最流行的实现 - 序列最小优化，也即SMO。 另外还将讲解将SVM扩展到非线性可分的数据集上的大致方法。 预备术语 1. 分割超平面：就是决策边界 2. 间隔 阅读全文
2014年12月30日
摘要：
前言 本文将介绍机器学习分类算法中的Logistic回归分类算法并给出伪代码，Python代码实现。 (说明：从本文开始，将接触到最优化算法相关的学习。旨在将这些最优化的算法用于训练出一个非线性的函数，以用于分类。) 算法原理 首先要提到的概念是回归。 对于回归这个概念，在以后的文章会有系统而深入的 阅读全文