dazhi_1314的专栏

How to Train a Final Machine Learning ModelThe machine learning model that we use to make predictions on new data is called the final model.There can be confusion in applied machine learning ab...

核密度估计（Kernel density estimation），是一种用于估计概率密度函数的非参数方法，为独立同分布F的n个样本点，设其概率密度函数为f，核密度估计为以下：K(.)为核函数（非负、积分为1，符合概率密度性质，并且均值为0），h>0为一个平滑参数，称作带宽(bandwidth)，也看到有人叫窗口。Kh(x) = 1/h K(x/h). 为缩放核函数(scaled Kernel...

使用PCA对特征数据进行降维2017年3月9日 BY 蓝鲸 1 COMMENTPCA（Principal Component Analysis）是机器学习中对数据进行降维的一种方法。主要目的是在不丢失原有数据信息的情况下降低机器学习算法的复杂度，及资源消耗。本篇文章将使用python对特征进行降维。PCA通过线性变换将原始数据中可能相关的数据转换为一组线性不

from sklearn.linear_model import LogisticRegressionimport pandas as pdfrom sklearn.cross_validation import train_test_splitfrom sklearn.preprocessing import StandardScalerimport pandas as pdimpor

特征——算法眼中的世界——摘自“机器学习系统设计”一书1. 特征的类型特征有三种不同的类型：定量特征、有序特征和分类特征。还可以认为有第四种特征类型，即布尔类型。按信息量由高到低排序依次为：定量特征、有序特征、分类特征和布尔型特征。2. 运算和统计特征可以由其可行运算来定义，我们可以将特征的可行计算范围称为特征的统计。这些统计描述了数据的三个不同的方面—

主成分分析（Principal components analysis）-最大方差解释     在这一篇之前的内容是《Factor Analysis》，由于非常理论，打算学完整个课程后再写。在写这篇之前，我阅读了PCA、SVD和LDA。这几个模型相近，却都有自己的特点。本篇打算先介绍PCA，至于他们之间的关系，只能是边学边体会了。PCA以前也叫做Principal factor a