<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Fitz_p的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Fitz_p</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Fitz_p]]></copyright><item><title><![CDATA[3.3-什么是微服务架构]]></title><link>https://blog.youkuaiyun.com/Fitz_p/article/details/104633156</link><guid>https://blog.youkuaiyun.com/Fitz_p/article/details/104633156</guid><author>Fitz_p</author><pubDate>Tue, 03 Mar 2020 15:12:24 +0800</pubDate><description><![CDATA[]]></description><category></category></item><item><title><![CDATA[线性回归、对数几率回归的部分数学基础]]></title><link>https://blog.youkuaiyun.com/Fitz_p/article/details/103451133</link><guid>https://blog.youkuaiyun.com/Fitz_p/article/details/103451133</guid><author>Fitz_p</author><pubDate>Mon, 09 Dec 2019 00:05:50 +0800</pubDate><description><![CDATA[]]></description><category></category></item><item><title><![CDATA[我对机器学习的整理理解]]></title><link>https://blog.youkuaiyun.com/Fitz_p/article/details/103450818</link><guid>https://blog.youkuaiyun.com/Fitz_p/article/details/103450818</guid><author>Fitz_p</author><pubDate>Sun, 08 Dec 2019 23:51:41 +0800</pubDate><description><![CDATA[  在机器学习通常来说，特征工程对模型性能影响最大，参数调优一般提升不如特征工程提升。
  首先需要对数据进行充分探索，如属性是字符串类型、日期类型 还是 数值类型；若提供的数据存在几张表中，表中数据是否存在关联，是否可以进行统计、聚合；从业务理解上，可能影响模型性能的因素有哪些，表中数据能否构造该因素。
  其次，我们需要对数据进行预处理。对字符串、categories 一般来说我们可以：
  ...]]></description><category></category></item><item><title><![CDATA[svc实战fashion-mnist图像分类]]></title><link>https://blog.youkuaiyun.com/Fitz_p/article/details/101240739</link><guid>https://blog.youkuaiyun.com/Fitz_p/article/details/101240739</guid><author>Fitz_p</author><pubDate>Tue, 24 Sep 2019 01:23:01 +0800</pubDate><description><![CDATA[支持向量机 (SVMs)可用于以下监督学习算法:分类,回归和异常检测.

支持向量机的优势在于:

在高维空间中非常高效.
	即使在数据维度比样本数量大的情况下仍然有效.
	在决策函数（称为支持向量）中使用训练集的子集,因此它也是高效利用内存的.
	通用性: 不同的核函数核函数与特定的决策函数一一对应.常见的 kernel 已经提供,也可以指定定制的内核.
支持向量机的缺点包括:

...]]></description><category></category></item><item><title><![CDATA[实战fashion-mnist图像分类]]></title><link>https://blog.youkuaiyun.com/Fitz_p/article/details/101119375</link><guid>https://blog.youkuaiyun.com/Fitz_p/article/details/101119375</guid><author>Fitz_p</author><pubDate>Sat, 21 Sep 2019 21:20:03 +0800</pubDate><description><![CDATA[1.分类原理（以crossentropy为例）

     分类误差:

     通过梯度下降 w：=w-d(L)/d(w) 来更新w的值，使得w朝梯度=0的方向变化，减少分类误差.



2.下面来上代码



2.1数据加载


import matplotlib.pyplot as plt
import matplotlib as mpl
%matplotlib ...]]></description><category></category></item><item><title><![CDATA[Mysql添删改查，修改字段属性]]></title><link>https://blog.youkuaiyun.com/Fitz_p/article/details/101040810</link><guid>https://blog.youkuaiyun.com/Fitz_p/article/details/101040810</guid><author>Fitz_p</author><pubDate>Thu, 19 Sep 2019 23:59:41 +0800</pubDate><description><![CDATA[1.创建表
	Create table tableName(file type,file type …)
	
2.创建数据库：
	Create database databaseName
3.使用数据库：
	Use databaseName

4.删除表：
	Drop table tableName
	
5.select
	Select * from tableName where file=c...]]></description><category></category></item><item><title><![CDATA[MySql基本使用2（select，between，in，where，like，count，distinct，group by，order by，多表查询）]]></title><link>https://blog.youkuaiyun.com/Fitz_p/article/details/101039895</link><guid>https://blog.youkuaiyun.com/Fitz_p/article/details/101039895</guid><author>Fitz_p</author><pubDate>Thu, 19 Sep 2019 23:25:51 +0800</pubDate><description><![CDATA[---------------part1.【student、score、course】表结构及数据示例-----------
mysql&gt; select * from student;
+-----+--------+------+---------------------+-------+
| sno | sname  | ssex | sbirthday           | cla...]]></description><category></category></item><item><title><![CDATA[排序算法--快速排序]]></title><link>https://blog.youkuaiyun.com/Fitz_p/article/details/88144448</link><guid>https://blog.youkuaiyun.com/Fitz_p/article/details/88144448</guid><author>Fitz_p</author><pubDate>Mon, 04 Mar 2019 22:49:23 +0800</pubDate><description><![CDATA[快速排序原理

1.选择一个基准值，这里我们选arr[0],即5
2.从右向左找，找到第一个比首元素小的后停止，找到4；记下标为j
3.从左向右找，找第一个比首元素大的后停止，我们找到8；记下标为i
4.交换4和8的位置
5.从刚刚停下的地方继续从右向左找比首元素小的，从左向右找比首元素大的，然后互换位置。
…
6.直到j=i为止，此时交换基准arr[0]和arr[j]的位置，则得到：
在基准的左...]]></description><category></category></item><item><title><![CDATA[排序算法-冒泡排序]]></title><link>https://blog.youkuaiyun.com/Fitz_p/article/details/88141081</link><guid>https://blog.youkuaiyun.com/Fitz_p/article/details/88141081</guid><author>Fitz_p</author><pubDate>Mon, 04 Mar 2019 21:46:20 +0800</pubDate><description><![CDATA[算法原理（默认从小到大排序）
1.从前往后依次比较相邻两个元素，如果arr[j-1]&amp;amp;gt;arr[j] ,则交换两元素位置，直到len(arr)-1处停止，记录最后发生交换的位置right=j
2.从前向后依次比较相邻两元素，若前一个大于后一个，则交换两元素，直到right位置停止；若此时不发生元素交换，则算法过程结束。
3.循环执行2过程，直到right&amp;amp;lt;2 或不在发生元素交换。righ...]]></description><category></category></item><item><title><![CDATA[排序算法--插入排序]]></title><link>https://blog.youkuaiyun.com/Fitz_p/article/details/88138112</link><guid>https://blog.youkuaiyun.com/Fitz_p/article/details/88138112</guid><author>Fitz_p</author><pubDate>Mon, 04 Mar 2019 20:53:03 +0800</pubDate><description><![CDATA[算法原理
如数组: [18, 2, 15, 9, 3, 19, 14, 7] ,
从index=0开始,拿出18,认为[18]排序排好了。
然后拿index=1，得到[18,2]，此时找2应当插入的位置，从右向左排依次排搜索，得到[2,18]。
然后拿index=2，得到[2,18,15],从右开始排序，18和15比，18&amp;amp;gt;15，18和15互换位置，得到[2,15,18]。
然后拿到inde...]]></description><category></category></item><item><title><![CDATA[决策树-处理连续值（5）]]></title><link>https://blog.youkuaiyun.com/Fitz_p/article/details/86764544</link><guid>https://blog.youkuaiyun.com/Fitz_p/article/details/86764544</guid><author>Fitz_p</author><pubDate>Mon, 04 Feb 2019 23:59:27 +0800</pubDate><description><![CDATA[一.决策树根据属性进行一步步判断，连续值存在无限可能，故为了能够处理连续值，需要将连续值转化为离散值

二.连续属性离散化技术：二分法（最简单）

三.二分法做法：将连续值划分为 &amp;gt;t,&amp;lt;t，两类

遍历属性所有值，按从小到大排序
	则Ta={（ai+ai+1）/2 | 0&amp;lt;i&amp;lt;n }
	
	
	遍历Ta，考察划分点，这里采用信息增益的方式，
	选取信息增益最大的划分点 a...]]></description><category></category></item><item><title><![CDATA[决策树-后剪枝（4）]]></title><link>https://blog.youkuaiyun.com/Fitz_p/article/details/86764529</link><guid>https://blog.youkuaiyun.com/Fitz_p/article/details/86764529</guid><author>Fitz_p</author><pubDate>Mon, 04 Feb 2019 23:52:01 +0800</pubDate><description><![CDATA[1.目的：提高泛化性能，

2.后剪枝做法：

先生成完整的决策树
	由最底层结点开始考察，若把其替换成叶节点（取样例数最多的一类），比较验证集精度，如果精度提升，则将其替换为叶节点（剪枝）；否则不进行剪枝；
      

     

 

参考书籍：机器学习-周志华...]]></description><category></category></item><item><title><![CDATA[决策树预剪枝（3）]]></title><link>https://blog.youkuaiyun.com/Fitz_p/article/details/86764491</link><guid>https://blog.youkuaiyun.com/Fitz_p/article/details/86764491</guid><author>Fitz_p</author><pubDate>Mon, 04 Feb 2019 23:47:12 +0800</pubDate><description><![CDATA[1.预剪枝的目的：提升决策树的泛化性能

 



2.预剪枝的做法：

将数据划分为训练集和验证集

在划分每个节点之前进行评估，若当前节点的划分不能提升泛化性能，则停止划分，并将其标记为叶节点；

                   若当前节点的划分能够提升泛化性能（从信息增益 or 其他方式 选择最优属性），则继续划分；

 

3.如何判断泛化性能是否提升：

用留出法（机器学习-性能评...]]></description><category></category></item><item><title><![CDATA[决策树sklearn实现（2）]]></title><link>https://blog.youkuaiyun.com/Fitz_p/article/details/86764014</link><guid>https://blog.youkuaiyun.com/Fitz_p/article/details/86764014</guid><author>Fitz_p</author><pubDate>Mon, 04 Feb 2019 23:30:26 +0800</pubDate><description><![CDATA[上一篇文章已经讲了决策树的原理：模拟 人决策过程，按因素影响程度 从大到小，依次决策，得出最终结论。也讲了如何判断因素的影响程度的一种方法：信息增益越大，影响程度越大。也大致讲了递归构建决策树的过程，今天我们来使用sklearn实现决策树。

我不建议重复造轮子，除非当前轮子无法满足需求。sklearn实现决策树的核心代码就3句：

1.声明决策树模型

model=tree.DecisionTr...]]></description><category></category></item><item><title><![CDATA[决策树思维方式及实现过程（1）]]></title><link>https://blog.youkuaiyun.com/Fitz_p/article/details/86756509</link><guid>https://blog.youkuaiyun.com/Fitz_p/article/details/86756509</guid><author>Fitz_p</author><pubDate>Sun, 03 Feb 2019 11:02:17 +0800</pubDate><description><![CDATA[1.决策树是模拟 人决策过程，按因素影响程度 从大到小，依次决策，得出最终结论。

如下图：为分类一封邮件是否为垃圾邮件



 

2.如何评判因素的影响程度

a.评判影响程度的一种方法是 信息增益，信息增益越大，表示该因素的影响程度越高，用该因素决策，越容易到达结论（只剩下单一可能类别）

b.信息的定义：如果待分类的事物可能划分在多个分类之中，则符号xi的信息定义为：



c.熵：信息的...]]></description><category></category></item><item><title><![CDATA[每天学点算法->进化策略->遗传算法简单例子解读]]></title><link>https://blog.youkuaiyun.com/Fitz_p/article/details/83020764</link><guid>https://blog.youkuaiyun.com/Fitz_p/article/details/83020764</guid><author>Fitz_p</author><pubDate>Fri, 12 Oct 2018 00:34:21 +0800</pubDate><description><![CDATA[假设草原上有一群斑马,这群斑马里面,有些斑马跑的比较快,有的跑的慢,而狮子每次捕猎能抓到跑的慢的斑马,那么经过一代代的繁衍,根据达尔文进化论,留下的大部分斑马都是跑的比较快的。进化策略也是基于这优胜略汰,适者生存的套路,通过模拟一个种群的进化过程,逐步优化参数,最终使得目标函数达到最优.



在这个例子中

目标函数:max=sin(10*x)*x + cos(2*x)*x ; x属于[0,5]...]]></description><category></category></item><item><title><![CDATA[每天学点算法->强化学习->Q_learning走迷宫]]></title><link>https://blog.youkuaiyun.com/Fitz_p/article/details/82975129</link><guid>https://blog.youkuaiyun.com/Fitz_p/article/details/82975129</guid><author>Fitz_p</author><pubDate>Mon, 08 Oct 2018 23:34:26 +0800</pubDate><description><![CDATA[今天给大家分享如何用Q_learning算法来实现走迷宫,我们的红色方块会一次次的尝试不同的格子,直到落入黑格子,获得惩罚*1;或者走进黄格子,获得奖励*1为止。每一次游戏都会更新Q_table的权重，以实现红色方块下一次能够更加快速的找到黄格子。



本文参照了莫烦python的博客：https://morvanzhou.github.io/tutorials/machine-learning...]]></description><category></category></item><item><title><![CDATA[每天学点算法->强化学习->Q_learning]]></title><link>https://blog.youkuaiyun.com/Fitz_p/article/details/82961122</link><guid>https://blog.youkuaiyun.com/Fitz_p/article/details/82961122</guid><author>Fitz_p</author><pubDate>Mon, 08 Oct 2018 00:21:16 +0800</pubDate><description><![CDATA[本文将按照以下顺序进行内容安排：

    一.Q_learning 简单示例

    二.示例的逻辑思路和代码

    三.Q_learning应用拓展

 

第一部分：Q_learning 简单示例——寻找目标

T表示目标位置

o表示人物位置

人物随机出生在一个地点，人物不知道T的位置，但每次可以向左或向右走一步，走到T位置则完成任务。



 

 

第二部分：简单示例的逻辑代...]]></description><category></category></item><item><title><![CDATA[算法思维-Demo3 树的实现]]></title><link>https://blog.youkuaiyun.com/Fitz_p/article/details/81274111</link><guid>https://blog.youkuaiyun.com/Fitz_p/article/details/81274111</guid><author>Fitz_p</author><pubDate>Sun, 29 Jul 2018 19:10:41 +0800</pubDate><description><![CDATA[树的实现

特定的树结构会使得他们更加容易实现 其中最容易实现的就是根的树结构了，这种树的每条边都统根出发，并向下延伸。此类结构所代表的往往是某个数据集拥有所有的层次结构，其根节点代表着全部对象（这些对象获取就被直接包含在叶节点内）而其内部各节点所代表的对象都是以该节点为跟的树结构的叶节点。在这里我们甚至可以直接利用类似直觉，将各个子树组织成一个子树列表

 


T=[
    [&quot;a&quot;,&quot;b&quot;...]]></description><category></category></item><item><title><![CDATA[算法-图的几种表示方法]]></title><link>https://blog.youkuaiyun.com/Fitz_p/article/details/81263799</link><guid>https://blog.youkuaiyun.com/Fitz_p/article/details/81263799</guid><author>Fitz_p</author><pubDate>Sat, 28 Jul 2018 18:23:00 +0800</pubDate><description><![CDATA[表示如下的一个图有哪些方法呢，





import numpy as np
1.邻接矩阵

图的一种常见的表示方法就是邻接矩阵了，这种表示的主要不同之处在于，它不在列出每个节点的所有邻居节点，而是会将每个节点的可能的邻居位置排成一排 也就是一个数组，用于对应图的每一个节点，然后用某种值，如True或false来表示相关节点是否是当前节点的邻居。其最简单的形式也可用嵌套list来实现。


a,...]]></description><category></category></item></channel></rss>