摘要：
利用数值来评价一个异常检测算法的重要性 使用实数评价法很重要，当你用某个算法来开发一个具体的机器学习应用时，你常常需要做出很多决定，如选择什么样的特征等等，如果你能找到如何来评价算法，直接返回一个实数来告诉你算法的好坏，那样你做决定就会更容易一些。如现在有一个特征，要不要将这个特征考虑进来？如果你带 阅读全文
摘要：
估计P(x)的分布--密度估计 我们有m个样本，每个样本有n个特征值，每个特征都分别服从不同的高斯分布，上图中的公式是在假设每个特征都独立的情况下，实际无论每个特征是否独立，这个公式的效果都不错。连乘的公式表达如上图所示。 估计p(x)的分布问题被称为密度估计问题（density estimatio 阅读全文
摘要：
高斯分布 高斯分布也称为正态分布，μ为平均值，它描述了正态分布概率曲线的中心点。σ为标准差，σ2为方差，σ描述了曲线的宽度。在中心点附近概率密度大，远离中心点概率密度小。 高斯分布图 概率曲线下方的面积为1（积分为1），概率和为1。μ为中心点，σ为宽度。σ小时图形更尖更高，σ大时图形更矮更宽，因为面 阅读全文
摘要：
异常检测的例子： 如飞机引擎的两个特征：产生热量与振动频率，我们有m个样本画在图中如上图的叉叉所示，这时来了一个新的样本（xtest），如果它落在上面，则表示它没有问题，如果它落在下面（如上图所示），表示这个样本有些问题，在把它交付给客户之前，我们需要对它做进一步的检测。 对异常检测一般化的描述： 阅读全文
摘要：
None是一个特殊的常量。 None是一个特殊的常量。 None和False不同。 None不是0。 None不是空字符串。 None和任何其他的数据类型比较永远返回False。 None有自己的数据类型NoneType。 你可以将None复制给任何变量，但是你不能创建其他NoneType对象。 > 阅读全文
摘要：
数据预处理:mean normalization & feature scaling 先进行均值归一化(mean normalization),计算出每个特征的均值(uj),然后用xj-uj来替代，这样归一化后每个特征的均值就为0了 由于不同特征的取值范围有很大的不同（如一个为房子面积，一个为房间数 阅读全文
摘要：
PCA要做什么？ 我们想将数据从二维降到一维，那么怎么找到这条好的直线对数据进行投影呢？ 上图中红色的那条直线是个不错的选择，因为点到投影到这条直线上的点之间的距离(蓝色的线)非常小;反之那条粉红色的线，数据投影到这条线上的距离非常大，所以PCA会选择红色的那条线而不是粉色的那条线。 PCA要做的就 阅读全文
摘要：
如果我们能更好地理解我们的数据，这样会对我们开发高效的机器学习算法有作用，将数据可视化(将数据画出来能更好地理解数据)出来将会对我们理解我们的数据起到很大的帮助。 高维数据如何进行显示 GDP: gross domestic product 假设我们可能有50个features，那么我们怎么查看我们 阅读全文
摘要：
data compression可以使数据占用更少的空间，并且能使算法提速 什么是dimensionality reduction(维数约简) 例1:比如说我们有一些数据，它有很多很多的features,取其中的两个features,如上图所示，一个为物体的长度用cm来度量的，一个也是物体的长度是用 阅读全文
摘要：
目前决定cluster数目的常用方法是手动地决定cluster的数目 哪个K是正确的? 上图中的数据集，我们可以说它有4个clusters，也可以说它有2个clusters,但哪个是正确答案呢？其实这儿没有正确答案，数据集要划分的cluster的数目本来就是模拟两可的，可以是2个，3个，4个。这也是 阅读全文