原创 5-7 多元線性迴歸
1. 多元線性迴歸的正規方程解 每個樣本有多個特徵 向量化 , 其中是樣本矩陣X前面加上一列1 目標: 使儘可能的小---向量化了,提高運算效率 多元線性迴歸的正規方程解: 求出: 缺點: 時間複雜度高:O(n^3) 優點:不需要考
2020-06-22 00:40:03
4
原创 shellnet安裝記錄
github地址: https://github.com/hkust-vgd/shellnet Installation The code is based on PointCNN. Please install TensorFlow
2020-06-22 00:40:03
4
原创 海量數據查詢問題
https://www.cnblogs.com/xingxia/articles/amount_data.html 1、海量日誌數據，提取出某日訪問百度次數最多的那個IP IP的數目還是有限的，最多2^32個，所以可以考慮使用hash將i
2020-06-22 00:40:03
原创 幾種可分卷積
參考： http://www.sohu.com/a/317166403_394987 0. 標準的2D卷積 對於神經元的輸入（7*7*3），用一個3*3*3的卷積覈對輸入進行卷積，得到一個5*5*1的特徵圖： 若想得到128個特徵圖，需
2020-06-22 00:40:02
原创 劍指offer中要記住的算法思想
1. 數組中出現次數超過一半的數字 複雜度O(n)的解法 思路1：（不改變原數組的順序）出現次數超過數組長度的一半，說明它出現的次數比數組中所有元素出現的次數和還要多 因此可以在遍歷的時候保存兩個值，一個是數組中的數字value，一個是次
2020-06-22 00:40:02
原创 vector中元素的去重
思路 首先對 vector 中的元素使用 sort 函數排序，使重複的元素排在相鄰的位置 接下來使用 unique 函數將重複的相鄰元素放在 vector 末尾，返回值爲末尾第一個重複元素的地址 最後調用 erase 函數，刪掉重複元素
2020-06-22 00:40:02
原创 6-1 梯度下降法
1. 梯度下降法簡介 特點 不是機器學習算法 是一種基於搜索的最優化方法 作用:最小化一個損失函數 梯度上升法:最大化一個效用函數 圖像直觀理解 假設只有一個參數,圖像如下: 橫軸:參數值;縱軸:損失函數值 導數(一維)可以代表方向,對
2019-08-28 17:39:23
2
原创 5-5 衡量線性迴歸法的指標 MSE,RMS,MAE
1. 衡量標準 平方誤差 消除樣本數量的影響(樣本數越多,累計的誤差就越大) 均方誤差, MSE(mean squared error) 消除量綱的影響 均方根誤差, RMSE(root mean squared error) 平均
2019-08-22 22:08:56
14
原创 5-1 線性迴歸算法
1. 線性迴歸算法簡介 線性迴歸算法的特點 解決迴歸問題 思想簡單,容易實現 許多強大的非線性模型的基礎 (邏輯迴歸\多項式迴歸\SVM等) 結果具有很好的可解釋性 蘊含機器學習中的很多重要思想 分類問題和迴歸問題的區別 分類問題,座
2019-08-22 22:08:56
原创 3-11 數據可視化之matplotlib
目錄 1. matplotlib基礎 繪製折線圖 橫軸代表特徵,縱軸代表對應的取值 (1) 繪製基本曲線 (2) 添加更多描述信息 繪製散點圖 橫縱軸都是特徵 2. 讀取數據和簡單的數據探索 以鳶尾花數據集爲例,查看不同特徵對於類別的區分
2019-08-22 22:08:55
原创 多元線性迴歸
1. 多元線性迴歸的正規方程解 每個樣本有多個特徵 向量化 , 其中是樣本矩陣X前面加上一列1 目標: 使儘可能的小---向量化了,提高運算效率 多元線性迴歸的正規方程解: 求出: 缺點: 時間複雜度高:O(n^3) 優點:不需要考
2019-08-22 22:08:55
原创 4-4 分類準確度
分類準確度的計算方式: 分類正確的樣本數 / 總樣本數 自己封裝的類, 與sklearn同接口: (新加了score(X_test, y_test)函數,不關心predict的具體值是多少(predict函數在score中調用),只關心模
2019-08-22 22:08:55
原创 3-3 numpy
1. 創建numpy數組和矩陣 numpy.array 其他創建numpy.array的方法 2. numpy的幾種常用操作 arange linspace random (1) np.random.randint(起始點, 終止點,
2019-08-22 22:08:55
原创 4-5 KNN的超參數,k\method\p
目錄 超參數和模型參數 尋找最好的k 考慮距離作爲投票權重的KNN---超參數weights=[uniform, distance] 曼哈頓距離和歐氏距離---超參數p,定義了計算距離的公式; 其中, p=1是曼哈頓,p=2是歐式 2.
2019-08-22 22:08:55
原创 4-7 數據的歸一化
1. 爲什幺要進行數據歸一化? 2. 幾種數據歸一化方式 最值歸一化: 把所有數據映射到0-1之間 均值方差歸一化:把所有數據歸一化到均值爲0, 方差爲1的分佈中 3. 代碼實現 最大值歸一化: 均值方差歸 一化 4. 對測試集如何歸一
2019-08-22 22:08:55
5