先说一下，就简单地写点儿氵文，不是博客，只是我的笔记本/工具书

ROC和AUC

Emmm...?Emmm...?Emmm...? Emmm...!Emmm...!Emmm...! 接下来的几篇博客，我们来聊聊传说中的EM算法接下来的几篇博客，我们来聊聊传说中的EM算法接下来的几篇博客，我们来聊聊传说中的EM算法 Jensen不等式将在之后的EM算法的证明中发挥重要的作用，我们先来瞅一瞅Jensen不等式将在之后的EM算法的证明中发挥重要的作用，我们先来瞅一瞅Jensen不等式...

1.线性回归 我们都知道，一般线性回归的假设函数为: hθ=∑j=1nθjxjh_{\theta} = \sum_{j=1}^{n}\theta_{j}x_{j}hθ​=j=1∑n​θj​xj​ 即: hθ(X)=θTXh_{\theta}(\mathbf{X}) = \boldsymbol{\theta}^{T}\mathbf{X}hθ​(X)=θTX 其中: θ=(θ1,θ2,...,θn)T...

在上一篇中，我们简单的说明了MGD、BGD与MBGD的原理，这一次，我们用numpy实现一下： 先导入需要的库: import numpy as np import pandas as pd import random 此处插入一小段，来说明数据结构: 可以简单的说: X是没有标签的训练数据shape==(m, n) y是训练数据的标签shape==(m, ) theta是线性回归的参数sh...

上一次，写了MGD、SGD、MBGD的代码实现，现在，我们来康康实例 我们以大名鼎鼎的鸢尾花数据集为例: https://archive.ics.uci.edu/ml/machine-learning-databases/iris/ 下载这个iris.data即可 将其置于当前工作文件夹即可 先导入需要的库: import numpy as np import pandas as pd imp...