<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[FeatherWaves]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Uperrr</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Uperrr]]></copyright><item><title><![CDATA[西瓜书学习——决策树形状、熵和决策树的本质]]></title><link>https://blog.youkuaiyun.com/Uperrr/article/details/138328923</link><guid>https://blog.youkuaiyun.com/Uperrr/article/details/138328923</guid><author>Uperrr</author><pubDate>Mon, 29 Apr 2024 23:22:15 +0800</pubDate><description><![CDATA[在决策树中，我们没有显式的梯度概念，但可以类比地引入“梯度”的概念，即信息增益（Information Gain），它衡量的是分割前后数据集信息熵的减少量。现在，如果我们考虑一个不公平的骰子，其中某个面出现的概率更高，那么这个面的信息量就会减少（因为你已经预期它更可能出现），从而降低整个系统的熵。总结来说，决策树的本质是一种基于总信息熵的损失函数，通过信息增益来选择最优特征进行分割的梯度下降路径，它是一种灵活的非参数模型，可以捕捉数据中的复杂关系。信息熵是由香农提出的，用于衡量一个随机变量的不确定性。]]></description><category></category></item><item><title><![CDATA[西瓜书学习——线性判别分析]]></title><link>https://blog.youkuaiyun.com/Uperrr/article/details/138231726</link><guid>https://blog.youkuaiyun.com/Uperrr/article/details/138231726</guid><author>Uperrr</author><pubDate>Fri, 26 Apr 2024 22:00:43 +0800</pubDate><description><![CDATA[线性判别分析（Linear Discriminant Analysis，简称LDA）是一种常用的监督学习降维技术，主要应用于模式识别和机器学习领域。LDA的核心思想是将高维的数据投影到低维空间，使得投影后的数据在同一类内部尽可能紧凑，不同类之间尽可能分离，从而达到分类的目的。]]></description><category></category></item><item><title><![CDATA[西瓜书学习——对数几率回归]]></title><link>https://blog.youkuaiyun.com/Uperrr/article/details/138140730</link><guid>https://blog.youkuaiyun.com/Uperrr/article/details/138140730</guid><author>Uperrr</author><pubDate>Tue, 23 Apr 2024 22:46:57 +0800</pubDate><description><![CDATA[对数几率回归（Logistic Regression）是一种广泛应用于分类问题的统计方法，特别是用于二分类问题。尽管它的名字中包含“回归”，但它实际上是一种分类算法，用于估计一个样本属于某个类别的概率。对数几率回归的核心是使用逻辑函数（Logistic Function），也称为 sigmoid 函数，将线性回归的输出映射到 0 和 1 之间的概率。在实际应用中，对数几率回归因其模型简单、易于解释和实现而被广泛使用。在训练过程中，对数几率回归模型通过最大化对数似然函数来估计参数。是线性回归模型的输出，即。]]></description><category></category></item><item><title><![CDATA[西瓜书学习——线性回归]]></title><link>https://blog.youkuaiyun.com/Uperrr/article/details/138015267</link><guid>https://blog.youkuaiyun.com/Uperrr/article/details/138015267</guid><author>Uperrr</author><pubDate>Sat, 20 Apr 2024 23:28:46 +0800</pubDate><description><![CDATA[fxw1​x1​w2​x2​...wd​xd​bfxwTxbw 和 b 可以通过学习得到。]]></description><category></category></item><item><title><![CDATA[西瓜书学习——第一、二章笔记]]></title><link>https://blog.youkuaiyun.com/Uperrr/article/details/137891853</link><guid>https://blog.youkuaiyun.com/Uperrr/article/details/137891853</guid><author>Uperrr</author><pubDate>Wed, 17 Apr 2024 22:27:08 +0800</pubDate><description><![CDATA[研究关于“学习算法”(一类能从数据中学习出其背后潜在规律的算法)的一门学科PS:深度学习指的是神经网络那一类学习算法，因此是机器学习的子集。]]></description><category></category></item><item><title><![CDATA[ChatGPT4.0 的优势、升级 4.0 为什么这么难以及如何进行升级？]]></title><link>https://blog.youkuaiyun.com/Uperrr/article/details/136368328</link><guid>https://blog.youkuaiyun.com/Uperrr/article/details/136368328</guid><author>Uperrr</author><pubDate>Thu, 29 Feb 2024 13:38:14 +0800</pubDate><description><![CDATA[ChatGPT4.0一个月多少人民币？”chatgpt4账号“”chatgpt4 价格““chatgpt4多少钱”最近发现很多小伙伴很想知道关于ChatGPT4.0的事情，于是写了这篇帖子，帮大家分析一下。]]></description><category></category></item><item><title><![CDATA[机器学习探索计划——KNN的超参数搜索]]></title><link>https://blog.youkuaiyun.com/Uperrr/article/details/134647815</link><guid>https://blog.youkuaiyun.com/Uperrr/article/details/134647815</guid><author>Uperrr</author><pubDate>Mon, 27 Nov 2023 16:06:22 +0800</pubDate><description><![CDATA[闵可夫斯基距离是曼哈顿距离和欧氏距离的一般化形式，可以根据p的值调整距离的计算方式。random_state的取值不同，最后算法的预测结果也会收到影响，比如我这里设置为233，最后会更容易得到100%的结果，原因是取值不同会导致训练集和测试集划分不同，进而影响训练和测试数据的组合。它是从一个点到另一个点沿着网格线的距离，即两点横坐标差的绝对值加上纵坐标差的绝对值。: 设置为’distance’，表示使用距离的倒数作为权重。它是从一个点到另一个点的直线距离，即两点之间的直线距离的平方根。]]></description><category></category></item><item><title><![CDATA[机器学习探索计划——KNN实现Iris鸢尾花分类]]></title><link>https://blog.youkuaiyun.com/Uperrr/article/details/134624888</link><guid>https://blog.youkuaiyun.com/Uperrr/article/details/134624888</guid><author>Uperrr</author><pubDate>Sun, 26 Nov 2023 10:44:25 +0800</pubDate><description><![CDATA[【代码】机器学习探索计划——KNN实现Iris鸢尾花分类。]]></description><category></category></item><item><title><![CDATA[机器学习探索计划——KNN算法流程的简易了解]]></title><link>https://blog.youkuaiyun.com/Uperrr/article/details/134613810</link><guid>https://blog.youkuaiyun.com/Uperrr/article/details/134613810</guid><author>Uperrr</author><pubDate>Sat, 25 Nov 2023 14:08:55 +0800</pubDate><description><![CDATA[得到结果为1，KNN判断新加入的点data_y的标记应该为1，从图中也可以看到，新加入的点更靠近标记为1的点群。与手写KNN得到的结果相同，皆判断为1。选出样本标记为0的样本特征。]]></description><category></category></item><item><title><![CDATA[机器学习探索计划——数据集划分]]></title><link>https://blog.youkuaiyun.com/Uperrr/article/details/134594958</link><guid>https://blog.youkuaiyun.com/Uperrr/article/details/134594958</guid><author>Uperrr</author><pubDate>Fri, 24 Nov 2023 11:40:41 +0800</pubDate><description><![CDATA[这样做的好处是，在训练过程中，模型可以接触到各个类别的样本，从而更好地学习每个类别的特征和模式，提高模型的泛化能力。：表示使用标签 y 对样本点进行颜色编码，即不同的标签值将使用不同的颜色进行展示。：是否返回生成的簇中心点，默认为 False，在本例中不返回。：随机种子，用于控制数据的随机性，本例中为 666。：表示散点的大小为 15，即每个样本点的显示大小。：生成的每个样本的特征数，本例中为 2。：每个簇中样本的标准差，本例中为 1。：生成的样本总数，本例中为 300。：生成的簇的数量，本例中为 3。]]></description><category></category></item><item><title><![CDATA[数学学习——最优化问题引入、凸集、凸函数、凸优化、梯度、Jacobi矩阵、Hessian矩阵]]></title><link>https://blog.youkuaiyun.com/Uperrr/article/details/132004745</link><guid>https://blog.youkuaiyun.com/Uperrr/article/details/132004745</guid><author>Uperrr</author><pubDate>Sun, 30 Jul 2023 17:41:12 +0800</pubDate><description><![CDATA[最优化问题引入
凸集
凸函数
凸优化
梯度
Jacobi矩阵
Hessian矩阵]]></description><category></category></item><item><title><![CDATA[数学学习——解析解与数值解、收敛与发散、一阶导数、二阶导数与三阶导数的几何意义]]></title><link>https://blog.youkuaiyun.com/Uperrr/article/details/131956768</link><guid>https://blog.youkuaiyun.com/Uperrr/article/details/131956768</guid><author>Uperrr</author><pubDate>Thu, 27 Jul 2023 21:32:09 +0800</pubDate><description><![CDATA[它表示了函数的二阶导数的变化率，也就是函数图像上的曲率变化率，曲率变化率大于0时，函数图像为凹状；，它表示了函数的一阶导数的变化率，也就是函数图像上的曲率或凹凸性。是指某个数学对象（如数列、函数、级数等）在无限的过程中，没有趋向于一个确定的值，或者在某个范围内没有保持一致的性质。是指某个数学对象（如数列、函数、级数等）在无限的过程中，趋向于一个确定的值，或者在某个范围内保持一致的性质。，它表示了函数图像在该点的曲率变化率，也就是该点附近函数图像变得越来越凹的程度。，它表示了函数图像在该点的斜率变化率。]]></description><category></category></item><item><title><![CDATA[《动手学深度学习》——第二章习题及自写答案]]></title><link>https://blog.youkuaiyun.com/Uperrr/article/details/131779996</link><guid>https://blog.youkuaiyun.com/Uperrr/article/details/131779996</guid><author>Uperrr</author><pubDate>Wed, 26 Jul 2023 09:55:22 +0800</pubDate><description><![CDATA[在数学中，范数是一个广义的概念，包括了向量空间中的向量大小的不同度量方式。，它接受一个三行三列的张量x作为输入，然后对x进行三次循环，每次循环都把x乘以2，如果x的元素之和大于10，就把x的每个元素减去1，最后返回x。因为计算二阶导数要在一阶导数的基础上再进行求导，这就需要构建新的计算图，保存更多的中间结果，占用更多的内存和计算资源。这是因为计算梯度需要沿着计算图向后传播，而非标量输出会导致计算图的多个分支汇聚在一起，无法确定要计算哪个分支的梯度，因此无法正确计算梯度。为True，表示需要计算x的梯度。]]></description><category></category></item><item><title><![CDATA[论文阅读与管理方法论]]></title><link>https://blog.youkuaiyun.com/Uperrr/article/details/131927669</link><guid>https://blog.youkuaiyun.com/Uperrr/article/details/131927669</guid><author>Uperrr</author><pubDate>Wed, 26 Jul 2023 00:03:33 +0800</pubDate><description><![CDATA[读标题、摘要、结论、所有小标题和图表总结文中创新点，关键点，启发点等重要信息。]]></description><category></category></item><item><title><![CDATA[《动手学深度学习》——2.6概率(模拟掷色子代码解析)]]></title><link>https://blog.youkuaiyun.com/Uperrr/article/details/131914363</link><guid>https://blog.youkuaiyun.com/Uperrr/article/details/131914363</guid><author>Uperrr</author><pubDate>Tue, 25 Jul 2023 16:50:16 +0800</pubDate><description><![CDATA[具体来说，它创建一个长度为6的张量，每个元素都是1/6。该函数需要一个形状为2的元组作为参数，其中第一个元素表示图形的宽度，第二个元素表示图形的高度。这里，fair_probs是一个长度为6的张量，其中每个元素都是1/6，表示每个点数的理论概率。具体而言，它在每个列向量上执行累加操作，返回一个形状为(500, 6)的张量，其中每个元素表示前i个实验中相应点数的累计次数。使用该多项式分布对象进行500次实验，并返回一个形状为(500, 6)的张量，其中每个元素表示相应点数在该实验中出现的次数。]]></description><category></category></item><item><title><![CDATA[Let’s Make C++ Great Again——algorithm库]]></title><link>https://blog.youkuaiyun.com/Uperrr/article/details/130300450</link><guid>https://blog.youkuaiyun.com/Uperrr/article/details/130300450</guid><author>Uperrr</author><pubDate>Sun, 23 Apr 2023 16:20:13 +0800</pubDate><description><![CDATA[lower_bound() 和 upper_bound() 函数可以在有序容器中查找指定元素的位置，返回该元素在容器中的迭代器。nth_element() 函数可以对容器中的元素进行部分排序，将第 n 小的元素放在第 n 个位置，前 n-1 个元素都小于等于第 n 个元素，后面的元素都大于等于第 n 个元素。partial_sort() 函数可以对容器中的元素进行部分排序，将前 n 个最小的元素放在容器的前 n 个位置，其余元素的顺序不保证。replace() 函数可以将容器中指定值的元素替换为新值。]]></description><category></category></item><item><title><![CDATA[Let’s Make C++ Great Again——multiset与unordered_set]]></title><link>https://blog.youkuaiyun.com/Uperrr/article/details/130324415</link><guid>https://blog.youkuaiyun.com/Uperrr/article/details/130324415</guid><author>Uperrr</author><pubDate>Sun, 23 Apr 2023 16:17:38 +0800</pubDate><description><![CDATA[其中，value_type 是元素的类型。// 自定义排序方式的实现 } };其中，MyType 是元素的类型，MyCompare 是自定义排序方式的类型。其中，value_type 是元素的类型。由于 unordered_set 使用哈希表数据结构，因此在使用自定义类型时，需要自定义哈希函数和相等比较函数，以便 unordered_set 正确地进行哈希和比较操作。int x;string y;} };} };intint x;string y;} };} };]]></description><category></category></item><item><title><![CDATA[Let’s Make C++ Great Again——map与unordered_map]]></title><link>https://blog.youkuaiyun.com/Uperrr/article/details/130324356</link><guid>https://blog.youkuaiyun.com/Uperrr/article/details/130324356</guid><author>Uperrr</author><pubDate>Sun, 23 Apr 2023 16:15:55 +0800</pubDate><description><![CDATA[其中，key_type 是键的类型，value_type 是值的类型。int默认情况下，map 使用 < 运算符进行键的比较。// 自定义比较函数的实现 } };以上是 map 的一些常用函数和用法，可以根据实际需要选择使用。其中，key_type 是键的类型，value_type 是值的类型。int默认情况下，unordered_map 使用 std::hash 进行哈希函数的计算。// 自定义哈希函数的实现 } };]]></description><category></category></item><item><title><![CDATA[Let’s Make C++ Great Again——string与常用字符处理函数]]></title><link>https://blog.youkuaiyun.com/Uperrr/article/details/130324063</link><guid>https://blog.youkuaiyun.com/Uperrr/article/details/130324063</guid><author>Uperrr</author><pubDate>Sun, 23 Apr 2023 16:08:55 +0800</pubDate><description><![CDATA[isdigit() 函数可以判断一个字符是否为数字字符（即 0 到 9 中的任意一个字符），而 isalpha() 函数可以判断一个字符是否为字母字符（即 A 到 Z 或 a 到 z 中的任意一个字符）。strchr() 函数搜索字符串中指定字符的第一个出现位置，并返回该位置的指针，而 strrchr() 函数搜索字符串中指定字符的最后一个出现位置，并返回该位置的指针。需要注意的是，strcpy() 函数会将源字符串中的 \0 也复制到目标字符串中，因此需要确保目标字符串有足够的空间来存储复制后的字符串。]]></description><category></category></item><item><title><![CDATA[Let’s Make C++ Great Again——set与vector]]></title><link>https://blog.youkuaiyun.com/Uperrr/article/details/130323969</link><guid>https://blog.youkuaiyun.com/Uperrr/article/details/130323969</guid><author>Uperrr</author><pubDate>Sun, 23 Apr 2023 16:04:34 +0800</pubDate><description><![CDATA[};it!可以看到，程序根据字符串长度从小到大排序了元素。总之，set是一个非常有用的容器，可以方便地实现对元素的操作，并且保证元素无重复。在实际的编程中，我们可以根据不同的需求来灵活地使用set容器。在算法模拟题中，set容器通常用于实现集合的概念，即存储一些元素，同时保证元素无重复。在模拟一些实际场景时，例如计算两个集合的交集、并集等操作时，set容器可以很方便地实现这些操作。]]></description><category></category></item></channel></rss>