lan_faster的博客

1. 特征缩放公式：Xi=Xi−XminXmax−XminX_i = \frac{X_i - X_{min}}{X_{max} - X_{min}}Xi​=Xmax​−Xmin​Xi​−Xmin​​import numpy as npfrom sklearn.preprocessing import MinMaxScalerdata = np.array([[115.], [140.]...

1. K-Means(K均值)聚类算法步骤：(1) 首先我们选择一些类/组，并随机初始化它们各自的中心点。中心点是与每个数据点向量长度相同的位置。这需要我们提前预知类的数量(即中心点的数量)。(2) 计算每个数据点到中心点的距离，数据点距离哪个中心点最近就划分到哪一类中。(3) 计算每一类中中心点作为新的中心点。(4) 重复以上步骤，直到每一类中心在每次迭代后变化不大为止。也可以多次随...

1. 什么是集成学习方法集成学习方法是指组合多个模型，以获得更好的效果，使集成的模型具有更强的泛化能力。集成学习主要有两种方法：Bagging和Boosting。...

什么是感知机「Perceptron」PLA全称是Perceptron Linear Algorithm，即线性感知机算法，属于一种最简单的感知机（Perceptron）模型。感知机模型是机器学习二分类问题中的一个非常简单的模型。它的基本结构如下图所示：其中，xi是输入，wi表示权重系数，b表示偏移常数。感知机的线性输出为:为了简化计算，通常我们将b作为权重系数的一个维度，即w0。同时，...

1. 决策树的构造决策树学习的算法通常是一个递归地选择最优特征，并根据该特征对训练数据进行分割，使得各个子数据集有一个最好的分类的过程。这一过程对应着对特征空间的划分，也对应着决策树的构建。开始：构建根节点，将所有训练数据都放在根节点，选择一个最优特征，按着这一特征将训练数据集分割成子集，使得各个子集有一个在当前条件下最好的分类。如果这些子集已经能够被基本正确分类，那么构建叶节点，并...

1. 贝叶斯公式问题描述：已知A事件发生的概率P(A)，B事件发生的概率P(B)，以及在A事件发生的前提下B事件发生的概率P(B|A)那么在B事件发生的前提下A事件发生的概率P(A|B)：P(A∣B)=P(A)P(B∣A)P(B)P(A|B) = \frac{ P(A)P(B|A) } { P(B) }P(A∣B)=P(B)P(A)P(B∣A)​举例：今天出去游玩，但是出门发现早上天气...

1. 什么是支持向量机通俗来讲，SVM是一种二类分类模型，其基本模型定义为特征空间上的间隔最大的线性分类器，即支持向量机的学习策略便是间隔最大化，最终可转化为一个凸二次规划问题的求解。如：SVM要做的就是找出划分蓝点和红点的一条线，且使这条线尽可能远离这些点(即就是让两条虚线之间的距离Margin最大)。中间那条关键的线我们叫它“超平面”。我们现在处理的是二维平面数据，此时超平面为一条直...

scikit learn的一些函数读取数据import pandasimport numpy# Read the datadata = pandas.read_csv('data.csv')# Split the data into X and yX = numpy.array(data[['x1', 'x2']])y = numpy.array(data['y'])使用不...

1. 混淆矩阵(Confusion Matrix)适用于二分类问题用Y表示标签，y表示模型预测值Y \ yTrueFalseTrue真阳性假阴性False假阳性真阴性注：真假表示预测值与标签值是否相同，相同为真，不同为假。阴阳表示预测值的真假，真即为阳，假即为阴。...