<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Ghost_111的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Ghost_111</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Ghost_111]]></copyright><item><title><![CDATA[解决WSL中无法登录codex（亲测有效）]]></title><link>https://blog.youkuaiyun.com/Ghost_111/article/details/156201745</link><guid>https://blog.youkuaiyun.com/Ghost_111/article/details/156201745</guid><author>Ghost_111</author><pubDate>Tue, 23 Dec 2025 17:48:35 +0800</pubDate><description><![CDATA[到这里，WSL2 NAT → Mirrored 就完成了。如果你后续还遇到局域网无法访问、端口不通，多半跟 Windows 防火墙/Hyper-V 规则有关（这个属于进阶内容，后面我再单独写一篇）。]]></description><category></category></item><item><title><![CDATA[CH4-集成学习之boosting]]></title><link>https://blog.youkuaiyun.com/Ghost_111/article/details/119981406</link><guid>https://blog.youkuaiyun.com/Ghost_111/article/details/119981406</guid><author>Ghost_111</author><pubDate>Sun, 29 Aug 2021 18:23:38 +0800</pubDate><description><![CDATA[1

]]></description><category></category></item><item><title><![CDATA[CH3-集成学习之投票法与bagging]]></title><link>https://blog.youkuaiyun.com/Ghost_111/article/details/119937078</link><guid>https://blog.youkuaiyun.com/Ghost_111/article/details/119937078</guid><author>Ghost_111</author><pubDate>Thu, 26 Aug 2021 17:49:31 +0800</pubDate><description><![CDATA[将一系列假想结合起来学习，在机器学习上的术语叫做集成学习 (ensemble learning)，而这些假想也可以称为个体学习器 (individual learner)：


如果它们是同质的 (homogenous)，即只是用一种模型，那么它们常称为可称为基学习器 (base learner)
同质的个体学习器低偏差高方差，用并行方法结合成的 bagging
同质的个体学习器高偏差低方差，用序列方法结合成的 boosting


如果它们是异质的 (heterogenous)，即使用多个模型，那么它们常]]></description><category></category></item><item><title><![CDATA[CH2-机器学习基础模型回顾-2]]></title><link>https://blog.youkuaiyun.com/Ghost_111/article/details/119837332</link><guid>https://blog.youkuaiyun.com/Ghost_111/article/details/119837332</guid><author>Ghost_111</author><pubDate>Sun, 22 Aug 2021 09:49:48 +0800</pubDate><description><![CDATA[偏差与方差理论
随着模型复杂度的不断增加，模型在训练集上的表现不断变好甚至使训练误差接近0（过拟合），而在测试集上的表现先变好后变差。
测试均方误差曲线呈现U型曲线，这表明了在测试误差曲线中有两种力量在互相博弈。可以证明：
E(y0−f^(x0))2=Var⁡(f^(x0))+[Bias⁡(f^(x0))]2+Var⁡(ε)
   E\left(y_{0}-\hat{f}\left(x_{0}\right)\right)^{2}=\operatorname{Var}\left(\hat{f}\left(x_]]></description><category></category></item><item><title><![CDATA[CH2-机器学习基础模型回顾]]></title><link>https://blog.youkuaiyun.com/Ghost_111/article/details/119801561</link><guid>https://blog.youkuaiyun.com/Ghost_111/article/details/119801561</guid><author>Ghost_111</author><pubDate>Thu, 19 Aug 2021 17:07:59 +0800</pubDate><description><![CDATA[非监督学习之生成数据集

生成用于聚类的各向同性高斯分布数据集：
import sklearn.datasets
sklearn.datasets.make_blobs(n_samples=100, n_features=2, *, centers=None, 
	cluster_std=1.0, center_box=- 10.0, 10.0, shuffle=True, 
	random_state=None, return_centers=False)

回归问题
线性回归
使拟合出的平面到数据点的距]]></description><category></category></item><item><title><![CDATA[CH1-机器学习的数学基础]]></title><link>https://blog.youkuaiyun.com/Ghost_111/article/details/119730166</link><guid>https://blog.youkuaiyun.com/Ghost_111/article/details/119730166</guid><author>Ghost_111</author><pubDate>Tue, 17 Aug 2021 10:32:41 +0800</pubDate><description><![CDATA[高等数学
导数

拉格朗日乘子法
拉格朗日函数： ????(????,????)=????(????,????)+????????(????,????)   ????(????,????)为要优化的函数；。
线性代数
中心极限定理：当样本量足够大时，样本均值的分布慢慢变成正态分布

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