11 2017 档案

摘要：（1）朴素贝叶斯基本方法： 输入数据有：标记集合 y={c1,c2,...ck}, 特征向量x , 也即训练数据集T={(x1,y1),(x2,y2),....(xn,yn)} 朴素贝叶斯法通过训练数据集学习联合概率分布P(X,Y)（通过联合概率分布P(X,Y)进行不同条件概率的转换）, 先验概率分 阅读全文

摘要：这个算法较为简单，主要思想就是给定分好类的数据集，然后将新输入的数据集进入训练集中找到与之最相近的k类，然后将k类所属类别最多的一类作为新数据的分类结果。 注：k的取值对模型拟合效果和预测效果影响较大 其中距离函数有如下表示形式： 当上式的p为2时，也就是欧式距离；当上式p为1时，也就是曼哈顿距离。 阅读全文

摘要：知识预备： 数据线性可分： 对于给定数据集T={(x1,y1),(x2,y2),...,(xn,yn)},；若存在平面wx+b=0将正实例点和负实例点正确划分到两侧，也就是对所有yi=+1的实例，都有wxi+b>0, 对于所有yi=-1的实例，都有都有wxi+b<0；那么就称数据集T为线性可分数据。 阅读全文

摘要：numpy包： pandas包： math包： collection包： 其他： def aa(ali): for i in ali: i=i+1 yield i+5 b=aa([1,2,3,4]) [w for w in b] #返回[7,8,9,10] sys包： os包： assert用法： 阅读全文

摘要：范数介绍：https://www.zhihu.com/question/20473040?utm_campaign=rss&utm_medium=rss&utm_source=rss&utm_content=title 首先介绍损失函数，它是用来估量你模型的预测值f(x)与真实值Y的不一致程度 主要 阅读全文