<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[earnestbin的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/earnestbin</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; earnestbin]]></copyright><item><title><![CDATA[机器学习之朴素贝叶斯]]></title><link>https://blog.youkuaiyun.com/earnestbin/article/details/95453130</link><guid>https://blog.youkuaiyun.com/earnestbin/article/details/95453130</guid><author>earnestbin</author><pubDate>Thu, 11 Jul 2019 14:43:10 +0800</pubDate><description><![CDATA[朴素贝叶斯朴素贝叶斯简述基本概念朴素贝叶斯分类器sklearn中的朴素贝叶斯朴素贝叶斯面试
朴素贝叶斯简述

朴素贝叶斯用于分类，是一种生成模型。它利用特征条件独立假设学习联合概率分布，再通过贝叶斯定理求后验概率最大的输出。

基本概念

先验概率、后验概率、条件概率
先验概率也叫事前概率，也就是没有新数据进来计算的事件的概率。而后验概率理所当然是新信息加入后更新的概率。后验概率是事件A在事件B发...]]></description><category></category></item><item><title><![CDATA[机器学习之集成学习]]></title><link>https://blog.youkuaiyun.com/earnestbin/article/details/90899724</link><guid>https://blog.youkuaiyun.com/earnestbin/article/details/90899724</guid><author>earnestbin</author><pubDate>Wed, 26 Jun 2019 16:58:53 +0800</pubDate><description><![CDATA[集成学习BaggingRandomForest随机森林和决策树的区别sklearn工具包
Bagging
Bagging模式有以下特点：

Bootstrap抽样，也就是有放回
弱学习器之间没有依赖关系，可以并行训练

RandomForest
随机森林和决策树的区别
随机森林是最常见的一种Bagging集成算法，它使用决策树作为弱学习器，可以用于分类，也可以用于回归。相比单一的决策树，随机森林有...]]></description><category></category></item><item><title><![CDATA[机器学习之决策树]]></title><link>https://blog.youkuaiyun.com/earnestbin/article/details/90667279</link><guid>https://blog.youkuaiyun.com/earnestbin/article/details/90667279</guid><author>earnestbin</author><pubDate>Mon, 03 Jun 2019 18:25:05 +0800</pubDate><description><![CDATA[机器学习之决策树决策树几种常见的生成算法ID3算法
决策树几种常见的生成算法
ID3算法

选择信息增益最大的特征
信息增益的定义：
&nbsp; &nbsp; &nbsp; &nbsp;已知特征X的信息而使得类Y的信息的不确定性减少的程度。
g(D,A)=H(D)−H(D∣A)g\left( {D,A} \right){\rm{ = }}H\left( D \right){\rm{ - }}H\...]]></description><category></category></item><item><title><![CDATA[机器学习之支持向量机]]></title><link>https://blog.youkuaiyun.com/earnestbin/article/details/90520776</link><guid>https://blog.youkuaiyun.com/earnestbin/article/details/90520776</guid><author>earnestbin</author><pubDate>Tue, 28 May 2019 18:14:29 +0800</pubDate><description><![CDATA[机器学习之支持向量机支持向量机推导过程
支持向量机推导过程

支持向量机是机器学习中最复杂的内容之一，以下就展示支持向量机具体推导过程。
推导分为以下几个部分：

数据线性可分
对偶问题
引入松弛变量以解决数据部分线性可分



当数据线性可分时原始优化问题推导
支持向量机的核心在于在空间中找到一个超平面(决策平面)：
wTx+b=0{w^T}x + b = 0wTx+b=0使得两类样本点分布在超...]]></description><category></category></item><item><title><![CDATA[机器学习之逻辑回归]]></title><link>https://blog.youkuaiyun.com/earnestbin/article/details/90412414</link><guid>https://blog.youkuaiyun.com/earnestbin/article/details/90412414</guid><author>earnestbin</author><pubDate>Wed, 22 May 2019 16:07:05 +0800</pubDate><description><![CDATA[逻辑回归逻辑回归公式推导
逻辑回归公式推导
sigmoid函数形式：
g(z)=11+e−zg\left( z \right) = \frac{1}{{1 + {e^{ - z}}}}g(z)=1+e−z1​当z趋近于负无穷时，g(z)趋近于0，令z=wx，就得到了逻辑回归模型：
hw(x)=11+e−wx{h_w}\left( x \right) = \frac{1}{{1 + {e^{ - w...]]></description><category></category></item><item><title><![CDATA[机器学习之模型评价篇]]></title><link>https://blog.youkuaiyun.com/earnestbin/article/details/90348825</link><guid>https://blog.youkuaiyun.com/earnestbin/article/details/90348825</guid><author>earnestbin</author><pubDate>Mon, 20 May 2019 22:21:39 +0800</pubDate><description><![CDATA[目录带你认识各种评价指标sklearn中的调用方法模型评估的方法A/B测试过拟合和欠拟合超参数调优
带你认识各种评价指标
&nbsp; &nbsp; 常见的指标以及其术语：
&nbsp; &nbsp;&nbsp; &nbsp; 混淆矩阵、准确率(Accuracy)、精确率(Precision)、召回率(Recall)、F1值、真阳性率、假阳性率、查准率、查全率、特异性、敏感性…
&nbsp; &n...]]></description><category></category></item><item><title><![CDATA[开始学着使用优快云来记录]]></title><link>https://blog.youkuaiyun.com/earnestbin/article/details/90346274</link><guid>https://blog.youkuaiyun.com/earnestbin/article/details/90346274</guid><author>earnestbin</author><pubDate>Sun, 19 May 2019 19:31:32 +0800</pubDate><description><![CDATA[学会使用优快云记录知识点 
&nbsp; &nbsp; &nbsp; &nbsp;从Onenote转到优快云，将学习的内容从个人软件转到云端，这样可以实现知识共享，同时也锻炼了自己的写作以及排版能力，培养自己知识叙述、管理能力。博客记录了自己学习所遇到的知识、问题、代码、项目等等，希望能积少成多，抛砖引玉。

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