- 博客(89)
- 资源 (6)
- 问答 (1)
- 收藏
- 关注
RSS订阅原创 机器学习之梯度下降法直观理解
形象化举例，由上图所示，假如最开始，我们在一座大山上的某处位置，因为到处都是陌生的不知道下山的路，所以只能摸索着根据直觉，走一步算一步。在此过程中，每走到一个位置的时候，都会求解当前位置的梯度，沿着梯度的负方向，也就是当前最陡峭的位置向下走一步，然后继续求解当前位置梯度，向这一步所在位置沿着最陡峭最易下山的位置走一步。当然这样走下去，有可能我们不能走到山脚，而是到了某一个局部的山势低处。由此，从上面的解释可以看出，梯度下降不一定能够找到全局的最优解，有可能是一个局部的最优解。
2024-02-19 19:30:04
903
1
原创 机器学习中为什么需要梯度下降
通过梯度下降，模型可以在每次迭代中逐步调整参数，使损失函数的值越来越小，从而提高预测的准确性。如果损失函数的值降低，说明你走的方向是正确的，你可以继续沿着这个方向调整模型参数。你计算损失函数的梯度，梯度告诉你应该朝着哪个方向调整模型参数，以便在下次预测时减少损失，更接近真实值。如果地势继续降低，说明你走的方向是正确的，你可以继续沿着这个方向走。这时，你需要重新观察周围的地形，寻找一个新的方向。你站在山上的一个随机位置，并观察周围的地形。重复这个过程，直到你找到通往山下的路，或者到达一个足够接近山下的位置。
2024-02-18 11:12:15
688
原创 通俗的讲解什么是机器学习之损失函数
想象一下，你在玩一个靶心射击的游戏，你的目标是尽可能让箭簇命中靶心。在这个游戏中，损失函数可以看作是测量你的箭簇与靶心距离的规则。损失函数的值越小，意味着你的箭簇离靶心越近，你的射击技能越好。：你有大量的数据，这些数据包括了输入（特征）和输出（标签，即真实值）。：你需要一个方法来衡量模型的预测值与真实值之间的差距。：你有一个模型，它可以根据输入数据做出预测。
2024-02-18 11:06:11
334
原创 机器学习面试：逻辑回归与朴素贝叶斯区别
(1)逻辑回归是判别模型，朴素贝叶斯是生成模型，所以生成和判别的所有区别它们都有。(2)朴素贝叶斯属于贝叶斯，逻辑回归是最大似然，两种概率哲学间的区别。(4)逻辑回归需要求特征参数间是线性的。(3)朴素贝叶斯需要条件独立假设。
2024-02-18 11:00:53
858
原创 机器学习面试：请你谈谈生成模型和判别模型的区别？
判别模型:由数据直接学习决策函数Y=f(X)或者条件概率分布P(Y|X)作为预测的模型，即判别模型。生成模型:由数据学习联合概率密度分布P(XY)，然后求出条件概率分布P(YIX)作为预测的模型，即生成模型:P(Y|X)= P(X,Y)/ P(X)(贝叶斯概率)。生成式模型举例:利用生成模型是根据山羊的特征首先学习出一个山羊的模型，然后根据绵羊的特征学习出一个绵羊的模型，然后从这只羊中提取特征，放到山羊模型中看概率是多少，在放到绵羊模型中看概率是多少，哪个大就是哪个。
2024-02-17 09:15:49
433
原创 机器学习面试：请你谈谈逻辑回归的用法？
实际上跟预测有些类似，也是根据模型，判断某人属于某病或属于某种情况的概率有多大，也就是看一下这个人有多大的可能性是属于某病。进行分类时，仅需要设定一个阈值即可，可能性高于阈值是一类，低于阈值是另一类。只有当目标和特征是线性关系时，才能用逻辑回归。在应用逻辑回归时注意两点:一是当知道模型是非线性时，不适用逻辑回归;二是当使用逻辑回归时，应注意选择和目标为线性关系的特征。比如根据模型进而预测在不同的自变量情况下，发生某病或某种情况的概率有多大。(5)各特征之间不需要满足条件独立假设，但各个特征的贡献独立计算。
2024-02-17 09:11:19
630
原创 什么样的分类器才是最好的
如果一个分类器能正确分对所有的实例，那么各项指标都已经达到最优，但这样的分类器往往不存在。比如之前说的地震预测，既然不能百分百预测地震的发生，但实际情况中能容忍一定程度的误报。假设在1000次预测中，共有5次预测发生了地震，真实情况中有一次发生了地震，其他4次则为误报。召回率由0/1=0%上升为1/1=100%。对此解释为，虽然预测失误了4次，但真的地震发生前，分类器能预测对，没有错过，这样的分类器实际意义更为重大，正是我们想要的。在这种情况下，在一定正确率前提下，要求分类器的召回率尽量高。
2024-02-17 01:00:13
199
原创 面试：正确率能很好的评估分类算法吗
我们都知道，不发生的概率是极大的，对于分类器而言，如果分类器不加思考，对每一个测试样例的类别都划分为0，达到99%的正确率，但是，问题来了，如果真的发生地震时，这个分类器毫无察觉，那带来的后果将是巨大的。不同算法有不同特点，在不同数据集上有不同的表现效果，根据特定的任务选择不同的算法。正确率（accuracy） 正确率是我们最常见的评价指标，accuracy = (TP+TN)/(P+N)，正确率是被分对的样本数在所有样本数中的占比，通常来说，正确率越高，分类器越好。
2024-02-17 00:54:48
931
原创 掌握这些机器学习算法优缺点，面试轻松应对
不仅如此，决策树易于理解，可解释性强，但可能会产生过于复杂的树结构，导致过拟合。Bayes算法简单高效，尤其适合于具有独立特征的数据集，但如果特征之间存在关联，则性能可能会受影响。比如，KNN简单直观，适合解决分类问题，但当数据集巨大时，它的计算量也随之增大，效率降低;面试官问到机器学习算法，你是否能够信手拈来?今天就为大家分享几个关键算法的优缺点，从KNN到Adaboosting，每个算法都有其独特之处。在处理复杂的非线性问题时表现出色，但也容易过拟合，需要仔细调整参数。再来看看神经网络，它。
2024-02-16 22:48:29
532
原创 机器学习分类评估四个术语TP，FP，FN,TN
了解各种评估方法，在实际应用中选择正确的评估方法是十分重要的。2.False positives(FP):被错误地划分为正例的个数，即实际为负例但被分类器划分为正例的实例数;1.True positives(TP):被正确地划分为正例的个数，即实际为正例且被分类器划分为正例的实例数;3.False negatives(FN):被错误地划分为负例的个数，即实际为正例但被分类器划分为负例的实例数。4.True negatives(TN):被正确地划分为负例的个数，即实际为负例且被分类器划分为负例的实例数。
2024-02-16 22:46:53
691
原创 面试:大数据和深度学习之间的关系是什么?
大数据的定义与特点:大数据指的是规模(数据量)、多样性(数据类型)和速度(数据生成及处理速度)都超出了传统数据处理软件和硬件能力范围的数据集。它具有四个主要特点，通常被称为4V:Volume(体量)、Velocity(速度)Variety(多样性)和Veracity(真实性)大数据与深度学习的关系，数据量的需求: 深度学习需要大量的数据来训练其模型。深度学习的概念深度学习是机器学习的一个子领域，它模拟了人脑的神经网络结构和功能，通过多层神经网络(深层网络)来提取数据的高级特征和抽象概念。
2024-02-13 00:36:33
1567
原创 机器学习之局部最优和全局最优
(1)局部最优，就是在函数值空间的一个有限区域内寻找最小值;而全局最优，是在函数值空间整个区域寻找最小值问题。(2)函数局部最小点是它的函数值小于或等于附近点的点，但是有可能大于较远距离的点。(3)全局最小点是那种它的函数值小于或等于所有的可行点。
2024-02-12 00:37:39
2037
1
原创 机器学习之监督学习和非监督学习
监督学习(Supervised Learning)监督学习是一种学习方式，其中模型从标记的训练数据中学习。模型的任务是学习输入到输出的映射函数，以便当提供新的、未见过的数据时，模型能够预测出正确的输出。这里，邮件内容是输入，而“垃圾邮件“或“非垃圾邮件”的非监督学习(Unsupervised Learning)非监督学习是一种学习方式，其中模型只通过输入数据来学习，而没有相应的输出标签。例子:客户细分:根据顾客的购买历史、浏览习惯等信息，将顾客分成不同的群体或细分市场。
2024-02-12 00:31:13
317
原创 你知道plot、fplot 和 ezplot 的区别吗？
3.ezplot 函数也可以绘制函数的图像，输入一个函数的字符串，而不是句柄，然后绘制该函数在默认区间内的图像。2.fplot 函数可以绘制函数的图像，输入一个函数的句柄或者字符串，然后绘制该函数在给定区间内的图像。1.plot 函数是 MATLAB 中最基本的绘图函数，用于绘制在二维坐标系中的数据点或曲线。总体来说，plot 函数适用于简单的数据点和曲线绘制，fplot 可以绘制更加复杂的函数图像，而 ezplot 则是最简单的绘图函数，适用于快速绘制简单函数的图像。
2023-04-19 10:57:30
3375
原创 SpringApplication做了这四步工作
目录前言代码展示SpringApplication.run分析这个类主要做了以下四件事情前言SpringApplication尽管只有短短几行，他却是一个不简单的方法.相信使用过Spring Boot的开发人员，都对Spring Boot的核心模块中提供的SpringApplication类不陌生。SpringApplication类的run()方法往往在Spring应用的入口类中被调用，以启动Spring应用。代码展示@SpringBootApplicationpubl
2022-04-23 08:20:58
462
1
原创 Springboot的常见注解
本文介绍一些常见的Springboot注解，并写出自己的个人看法前言一、@SpringBootApplication二、@ComponentScan三、@SpringBootConfifiguration四、@EnableAutoConfifiguration总结前言本文介绍一些常见的Springboot注解，并写出自己的个人看法一、@SpringBootApplication 作用：标注在某个类上说明这个类是SpringBoot的主配置类 ， SpringB.
2022-04-21 18:51:30
730
原创 Springboot背后运行原理探究
SpringBoot这么简单的东西背后一定有故事，我们之后去进行一波源码分析！ 文章目录前言 一、pandas是什么？ 二、使用步骤 1.引入库 2.读入数据 总结前言我们之前写的HelloSpringBoot，到底是怎么运行的呢，Maven项目，我们一般从pom.xml文件探究起；一、Pom.xml 其中它主要是依赖一个父项目，主要是管理项目的资源过滤及插件！ 点进去，发现还有一个父依赖 这里才是真正管理SpringBoot应用里面.
2022-04-15 20:30:14
284
4
原创 Redis和SpringBoot整合
在SpringBoot中一般使用RedisTemplate提供的方法来操作Redis。那么使用SpringBoot整合Redis需要那些步骤呢?文章目录前言 一、pandas是什么？ 二、使用步骤 1.引入库 2.读入数据 总结前言1 JedisPoolConfig(这个是配置连接池) 2 RedisConnectionFactory这个是配置连接信息，这里的RedisConnectionFactory是一个接 口，我们需要使用它的实现类，在Spr...
2022-04-09 15:18:45
2025
原创 [Redis小知识]从业务角度分析一下BitMap的作用
提示：今天和大家分享bitmap的知识文章目录前言一、日常使用Bitmap的业务二、bitmap使用逻辑1.bitmap简介2.bitmap基础指令setbit的指令getbit 获取操作bitcount 统计操作总结前言BitMap Bit-map的基本思想就是用一个bit位来标记某个元素对应的Value,而Key即是该元素。由于采用了Bit为单位来存储数据,因此在存储空间方面,可以大大节省。`一、日常使用Bitmap的业务示例：在开发中，可能会遇到这种情况：需要统计用户的某些信息，如.
2022-03-27 08:41:43
696
15
原创 【Docker第七弹】：什么是DockerFile
潜下心来学习，写好的文章，读好的书，排名如浮云文章目录前言一、pandas是什么？二、构建步骤：三、DockerFile构建过程的解释基础知识：流程：说明：总结![在这里插入图片描述](https://img-blog.csdnimg.cn/f9e8f198534f45898cb07de88a1d6806.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBA5Y2O5YacRHJMYWk=,siz.
2022-03-21 08:00:00
597
2
原创 从程序员视角看：P多多砍到小数点后6位依旧失败
砍刀场景：3月17日，一位名叫某级小桀的某鱼主播直播参与P多多的砍价免费领手机活动，但在直播间几万名用户的帮助下依旧没能成功砍下。某网友表示，甚至都砍到小数点后六位了，虽然早知道是骗局，但真砍到小数点后六位的还是第一次见。瞬间该直播间话题还登上了该平台的热搜，而该主播在砍了两个小时依旧没能成功砍下手机后，致电P多多人工客服，但在直播间几万名观众的见证下，该客服直接挂断了主播电话（不知是掉线还是别的原因）。问题描述我作为程序员从专业技术角度来讲一下其中原理吧。普通人认为的原因：1、网速慢；2、
2022-03-20 22:56:00
587
13
原创 【Docker第六弹】：容器数据卷
潜下心来学习，排名于我如浮云文章目录前言：一、docker的理念回顾：二、容器数据卷作用：1.储存和共享数据2.持久化三、特点：总结前言：上期我们介绍了docker的安装和一些基本方法，接下来我们要进入到他的核心：容器数据卷。常常听docker是个容器，那么究竟什么是容器呢？他能干嘛？一、docker的理念回顾：将应用和运行的环境打包形成容器运行，运行可以伴随着容器，但是我们对于数据的要求，是希望能够持久化的！就好比，你安装一个MySQL，结果你把容器删了，就相当于删库跑路了，这TM也.
2022-03-20 17:35:56
925
6
原创 开发/运维（DevOps）Docker的理念
更快速的应用交付和部署：开箱即用传统的应用开发完成后，需要提供一堆安装程序和配置说明文档，安装部署后需根据配置文档进行繁杂 的配置才能正常运行。Docker化之后只需要交付少量容器镜像文件，在正式生产环境加载镜像并运行即可，应用安装配置在镜像里已经内置好，大大节省部署配置和测试验证时间。 更便捷的升级和扩缩容：可扩展性随着微服务架构和Docker的发展，大量的应用会通过微服务方式架构，应用的开发构建将变成搭乐高积 木一样，每个Docker容器将变成一块“积木”，应用的升级将变得非常容易。当现有的
2022-03-11 15:24:07
1457
11
华农dsp课程设计问答题
2022-03-20
java后端秋招实习生简历没东西写，求指点
2021-09-15
TA创建的收藏夹 TA关注的收藏夹
TA关注的人