<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[TLDX_XIONG的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/TLDX_XIONG</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; TLDX_XIONG]]></copyright><item><title><![CDATA[朴素贝叶斯算法]]></title><link>https://blog.youkuaiyun.com/TLDX_XIONG/article/details/108932617</link><guid>https://blog.youkuaiyun.com/TLDX_XIONG/article/details/108932617</guid><author>TLDX_XIONG</author><pubDate>Mon, 05 Oct 2020 20:46:39 +0800</pubDate><description><![CDATA[朴素贝叶斯法是基于贝叶斯定理与特征条件独立假设的分类方法（与贝叶斯估计是不同的方概念），对于给定的训练数据集，首先基于特征条件独立假设学习输入和输出的联合概率分布；然后基于此模型，对于给定的输入 xxx ，利用贝叶斯定理求出后验概率最大的输出 yyy 。朴素贝叶斯方法实现简单，学习与预测的效率都很高，是一种常用的方法。
1. 基本方法
设输入空间 X⊆Rn\mathcal{X}\subseteq\mathbf{R^n}X⊆Rn 为 n\text{n}n 维向量的集合，输出空间为类标记集合 Y={c1,…,c]]></description><category></category></item><item><title><![CDATA[K-NN Algorithm（K-NN算法原理）]]></title><link>https://blog.youkuaiyun.com/TLDX_XIONG/article/details/108111097</link><guid>https://blog.youkuaiyun.com/TLDX_XIONG/article/details/108111097</guid><author>TLDX_XIONG</author><pubDate>Wed, 19 Aug 2020 21:25:09 +0800</pubDate><description><![CDATA[k\text{k}k 近邻法（k-nearest&nbsp;neighbor\text{k-nearest neighbor}k-nearest&nbsp;neighbor) 是一种基于分类和回归的方法，这里我们只讨论分类问题的 k\text{k}k 近邻法。k\text{k}k 近邻输入为实例点的特征向量，输出为实例所属类别。 k\text{k}k 近邻假定给定了一个训练数据集，其中的实例类别已经确定。分类时，对新的实例，根据其 k\text{k}k 个最近的训练实例的类别，通过多数表决等方式进行预测。
]]></description><category></category></item><item><title><![CDATA[The Proof of the Perceptron Algorithm（感知机算法证明）]]></title><link>https://blog.youkuaiyun.com/TLDX_XIONG/article/details/108106016</link><guid>https://blog.youkuaiyun.com/TLDX_XIONG/article/details/108106016</guid><author>TLDX_XIONG</author><pubDate>Wed, 19 Aug 2020 17:37:25 +0800</pubDate><description><![CDATA[1. 问题描述
感知机算法的提出最初被用来解决二分类问题，即给定 NNN 个样本，其中每个样本都是 ppp 维的向量。每一个样本属于 C1C_1C1​ 或 C2C_2C2​。我们的任务是找到一个超平面来将所有样本进行准确分类并且具有较强的泛化能力。
2. 问题数学描述
这里我们将这类问题抽象为数学描述。我们假设 x1,x2,…,xNx_1,x_2,\ldots,x_Nx1​,x2​,…,xN​ 是 ppp 维向量。然后我们将 x⃗1,x⃗2,...,x⃗N\vec{x}_1,\vec{x}_2,...,\v]]></description><category></category></item><item><title><![CDATA[HTML和Markdown特殊字符编码]]></title><link>https://blog.youkuaiyun.com/TLDX_XIONG/article/details/106919844</link><guid>https://blog.youkuaiyun.com/TLDX_XIONG/article/details/106919844</guid><author>TLDX_XIONG</author><pubDate>Tue, 23 Jun 2020 11:44:13 +0800</pubDate><description><![CDATA[符号（小写）
编码
符号
编码
符号
编码




α
&amp;alpha；
β
&amp;beta；
χ
&amp;chi；


δ
&amp;delta；
ε
&amp;epsilon；
η
&amp;eta；


γ
&amp;gamma；
ι
&amp;iota；
κ
&amp;kappa；


λ
&amp;lambda；
μ
&amp;mu；
ν
&amp;nu；


ω
&amp;omega；
ο
&amp;omicron；
φ
&amp;phi；


π
&amp;pi；
ψ
&a...]]></description><category></category></item><item><title><![CDATA[机器学习术语]]></title><link>https://blog.youkuaiyun.com/TLDX_XIONG/article/details/106889496</link><guid>https://blog.youkuaiyun.com/TLDX_XIONG/article/details/106889496</guid><author>TLDX_XIONG</author><pubDate>Sun, 21 Jun 2020 19:00:29 +0800</pubDate><description><![CDATA[准确率（accuracy）
分类模型预测准确的比例。在多类别分类中，准确率定义如下：

在二分类中，准确率定义为：

激活函数（Activation function）
一种函数（例如 ReLU 或 Sigmoid），将前一层所有神经元激活值的加权和输入到一个非线性函数中，然后向下一层传递该函数的输出值（典型的非线性）。
AdaGrad
一种复杂的梯度下降算法，重新调节每个参数的梯度，高效地给每个参数一个单独的学习率。详见论文：
http://www.jmlr.org/papers/volume12/duc]]></description><category></category></item><item><title><![CDATA[ASCII表（控制字符和可显示字符）]]></title><link>https://blog.youkuaiyun.com/TLDX_XIONG/article/details/106888906</link><guid>https://blog.youkuaiyun.com/TLDX_XIONG/article/details/106888906</guid><author>TLDX_XIONG</author><pubDate>Sun, 21 Jun 2020 18:14:32 +0800</pubDate><description><![CDATA[ASCII（American Standard Code for Information Interchange，美国信息互换标准代码，ASCⅡ）是基于拉丁字母的一套电脑编码系统。它主要用于显示现代英语和其他西欧语言。它是现今最通用的单字节编码系统，并等同于国际标准ISO/IEC 646。
ASCII第一次以规范标准的型态发表是在1967年，最后一次更新则是在1986年，至今为止共定义了128个字符，其中33个字符无法显示（这是以现今操作系统为依归，但在DOS模式下可显示出一些诸如笑脸、扑克牌花式等8-bi]]></description><category></category></item></channel></rss>