<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[cracker_xu的专栏]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/cracker_xu</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; cracker_xu]]></copyright><item><title><![CDATA[吴恩达机器学习心得一:线性回归和逻辑回归的代价函数选择]]></title><link>https://blog.youkuaiyun.com/cracker_xu/article/details/90578727</link><guid>https://blog.youkuaiyun.com/cracker_xu/article/details/90578727</guid><author>cracker_xu</author><pubDate>Sun, 26 May 2019 18:17:35 +0800</pubDate><description><![CDATA[在目前的实践中，线性回归的代价函数应方差函数，逻辑回归用最大似然函数，为什么这么选择？背后都有复杂的统计学原理和推导，而且两者都是凸函数，适合求导来用梯度下降法求最优解，所以初学只要知道用什么代价函数即可，清楚一些概念就可以，没有必然一定要了解背后的统计学推导过程。

另外，逻辑回归中多了一个sidmoid函数，是为了让输出的值是在0-1的概率，所以用了这个处理方式。然后用这个概率的对数来反应损失...]]></description><category></category></item><item><title><![CDATA[解决matplotlib中文显示乱码的问题]]></title><link>https://blog.youkuaiyun.com/cracker_xu/article/details/90108769</link><guid>https://blog.youkuaiyun.com/cracker_xu/article/details/90108769</guid><author>cracker_xu</author><pubDate>Sat, 11 May 2019 13:50:16 +0800</pubDate><description><![CDATA[添加以下代码即可：

#用来正常显示中文字符

plt.rcParams['font.sans-serif']=['SimHei']

#用来正常显示负号

plt.rcParams['axes.unicode_minus']=False
]]></description><category></category></item><item><title><![CDATA[《李宏毅的机器学习》第二课学习笔记（误差来源分析，bias和variane)]]></title><link>https://blog.youkuaiyun.com/cracker_xu/article/details/90108721</link><guid>https://blog.youkuaiyun.com/cracker_xu/article/details/90108721</guid><author>cracker_xu</author><pubDate>Sat, 11 May 2019 13:45:51 +0800</pubDate><description><![CDATA[Bias是样本偏差，样本本身带来的误差，用样本建立的函数期望值与真实函数之间的误差，表示欠拟合，模型太简单就会导致bias过大；

Varince是方差误差，是函数不稳定带来的误差，方差过大，模型太复杂就会导致方差过大，也就是对样本可能拟合的很好，但对预测集拟合很差。

Bias是欠拟合，Variance是过拟合。


...]]></description><category></category></item><item><title><![CDATA[dataframe.read_excel导入某些数字型字段指定dtype失败的处理方法]]></title><link>https://blog.youkuaiyun.com/cracker_xu/article/details/89919865</link><guid>https://blog.youkuaiyun.com/cracker_xu/article/details/89919865</guid><author>cracker_xu</author><pubDate>Tue, 07 May 2019 14:09:14 +0800</pubDate><description><![CDATA[dataframe导入csv中的数据型字段时，用dtype='str'可以强制转换成字符串，但是改成read_excel后，指定类型居然不起作用了，其他程序还是没问题，偏偏这次不行，没办法，只能另辟蹊径。用astype方法，即df["aaa"]=df["aaa"].astype("str"),成功解决，多了一行代码，又学会一招。
...]]></description><category></category></item><item><title><![CDATA[线性代数的本质学习记录(二)：行列式的含义]]></title><link>https://blog.youkuaiyun.com/cracker_xu/article/details/89742311</link><guid>https://blog.youkuaiyun.com/cracker_xu/article/details/89742311</guid><author>cracker_xu</author><pubDate>Thu, 02 May 2019 07:34:35 +0800</pubDate><description><![CDATA[行列式可以看作其代表的矩阵引起的空间变换带来的面积、体积（三维）的倍数，比如基帽i，和基帽j相应变换成(a,b),(c,d)所形成的新的四变形的面积(原来的i*j是1）。比如：特殊情况，i变成(a,0),j变成(0,d），新的四边形还是矩形，拉升a倍和d倍，面积是原来的a*d倍，其他的情况也类似，只是计算起来稍微复杂一些，代表的都是面积的变化。
...]]></description><category></category></item><item><title><![CDATA[《李宏毅的机器学习》第一课学习笔记]]></title><link>https://blog.youkuaiyun.com/cracker_xu/article/details/89741297</link><guid>https://blog.youkuaiyun.com/cracker_xu/article/details/89741297</guid><author>cracker_xu</author><pubDate>Wed, 01 May 2019 22:31:51 +0800</pubDate><description><![CDATA[李宏毅的机器学课程是最好的中文课程，目前已学了3-4课，今天记录一下第一课的一些知识点，主要是几个英文概念、术语翻译：）

1、Regression：回归

2、Linear Model：线性模型

3、Non-linear Model：非线性模型

4、Classification：分类

5、Supervised Learning：监督学习

6、Semi-supervised Learnin...]]></description><category></category></item><item><title><![CDATA[线性代数的本质学习记录(一)]]></title><link>https://blog.youkuaiyun.com/cracker_xu/article/details/89741079</link><guid>https://blog.youkuaiyun.com/cracker_xu/article/details/89741079</guid><author>cracker_xu</author><pubDate>Wed, 01 May 2019 22:20:01 +0800</pubDate><description><![CDATA[为了学习机器学习，督促自己记录学习笔记，今天正式开博。

早在2000年，就已经在优快云上开通了账号，因为刚接触计算机和编程，那时在社区还比较活跃，经常发帖回帖，后来基本废弃了，也就在优快云博客上查查资料。

现在因为正好在学习机器学习，为了督促自己，也为了能够坚持，借鉴网友的建议，正式开通博客，把学习的体会和思考及时记录下来，确实，在学习编程特别是python的过程中，踩过很多坑，下次还是把...]]></description><category></category></item></channel></rss>