摘要： 转于：Python中copy和deepcopy中的区别 博主：assan 一、序列中的 copy() 方法 # 此方法为浅度复制：复制的数会随着被复制数的嵌套序列的元素的改变而改变； # 功能：将一个列表复制给另一个列表 # 格式：list_1 = list_2.copy()，（字典、元组一样） 例 阅读全文

摘要： 一、导数 # 参考百科：导数 定义：当函数 y = f(x) 的自变量x在一点 x0 上产生一个增量 Δx 时，函数输出值的增量 Δy 与自变量增量 Δx 的比值在 Δx 趋于 0 时的极限 a 如果存在，a 即为在 x0 处的导数，记作 f'(x0) 或 df(x0) / dx； 一个函数在某一点 阅读全文

摘要： 一、指导思想 # 只针对线性回归中的使用 算法的最优模型的功能：预测新的样本对应的值； 什么是最优的模型：能最大程度的拟合住数据集中的样本数据； 怎么才算最大程度的拟合：让数据集中的所有样本点，在特征空间中距离线性模型的距离的和最小；（以线性模型为例说明） 怎么得到最优模型：求出最优模型对应的参数； 阅读全文

摘要： 1、上层函数不能直接使用其嵌套函数的变量； 2、上层函数中的变量可以在其嵌套函数内直接使用： 3、嵌套函数中，不能即使用上层函数变量，又有自己的变量与该上层变量同名： # 提前声明该变量非本地变量（系统会自动从上层函数中查找该变量）：nonlocal z # 代码中的变量 z 均为func1()函数 阅读全文

摘要： 一、推导目标函数 1）基础概念 多元线性回归模型： 多元线性回归的损失函数： 参数 theta：θ = (θ0, θ1, θ3, ..., θn) n：表示模型中有 n 个特征参数； θ1：表示 梯度：，对每一个 θi 求一次偏导数； 梯度代表方向：对应 J 增大最快的方向； 偏导数：函数 J 中含 阅读全文

摘要： 一、梯度下降法基础 定义：梯度下降法不是一个机器学习算法，是一种基于搜索的最优化方法； 功能：最优化一个损失函数； 梯度上升法：最大化一个效用函数； 机器学习中，熟练的使用梯度法（下降法、上升法）求取目标函数的最优解，非常重要； 线性回归算法模型的本质就是最小化一个损失函数，求出损失函数的参数的数学 阅读全文

摘要： 1）逆矩阵：AB = BA = E，矩阵A、B均为方阵，E为单位矩阵，称A为可逆矩阵，B为A的逆矩阵； 2）方阵：n x n 的矩阵； 3）单位矩阵：一个对角为1，E[0, 0] = E[1, 1] = E[2, 2] = ... = E[n, n] = 1，其余元素为0； 4） 5）范数 || x 阅读全文

摘要： 一、多元线性回归基础 简单线性回归算法只有一个特征值（x），通常线性回归算法中有多个特征值，有的甚至有成千上万个特征值； 多元线性回归中有多种特征，每一种特征都与 y 呈线性关系，只是线性关系的系数不同； 多元线性回归的模型可以解决一元线性回归问题； 多元线性回归模型中，每一种特征都与值（也就是 y 阅读全文

摘要： 一、MSE、RMSE、MAE 思路：测试数据集中的点，距离模型的平均距离越小，该模型越精确 # 注：使用平均距离，而不是所有测试样本的距离和，因为距离和受样本数量的影响 1）公式： MSE：均方误差 RMSE：均方根误差 MAE：平均绝对误差 二、具体实现 1）自己的代码 import numpy 阅读全文

摘要： 转于：https://www.cnblogs.com/luhuan/p/7925790.html博主：忧郁的白衬衫 一、dot()的使用 1）格式：np.dot(array1, array2) == array1.dot(array2) 2）功能：返回的是两个数组乘积后的数据和 # 注：np.dot 阅读全文