jianyuchen23的博客

主要参考，也可以说是摘录自《机器学习》和《机器学习实战》相关章节。 基础知识以及更详细的讲解可看这里： 解密SVM系列 http://blog.youkuaiyun.com/on2way/article/details/47729827能将训练样本分开的划分超平面可能会有很多，直观上应该去找位于两类样本“正中间”的划分超平面。 划分超平面的线性方程组： wTx+b=0w^Tx+b=0 划分超平面就

梯度下降和反向传播

信息处理过程包括输入，处理，输出三个阶段。对应到神经元上就是树突，胞体，轴突（胞体也可以接受输入，树突也可以进行处理计算。） 神经元之间传输的信号是01这种数字信号，现在一般认为是靠频率编码。就是速度快慢代表的意义不同。 成千的树突以及胞体接受了其他神经元传来的信号，同时进行计算。一种说法是时空整合，因为一树突的位置不一样，二树突接受的信息的时间不一样，等各种信息奔跑到轴突的时候，会有个闸门，小

先验概率是由因求果，比如感冒，发烧，脑残都有可能造成头疼，那么感冒造成头疼的概率P(头疼|感冒)的概率就是先验概率 后验概率是执果寻因，比如P(感冒|头疼)的概率是后验概率 最大似然估计是比如医生看病时，病人头疼，医生从感冒，发烧，脑残的后验概率中得到感冒的概率最高作出判断，用的就是最大似然估计 贝叶斯公式经常在求后验概率是用到，P(B|A)=P(B)P(A|B)/P(A)...

原文kernel(https://www.kaggle.com/sudalairajkumar/simple-exploration-baseline-ga-customer-revenue#)一 、特征分析1.读取数据 pd.read_csv含有子集的特征json.loads，json_normalize函数每一子集处理成一列遇到的一个坑是，一些特征始终无法规则话，最终解决办法是将pan...

在拥有有限的数据或者想要在模型中使用先验知识的问题中，贝叶斯线性回归方法可以同时引入先验信息并且显示不确定性。贝叶斯线性回归反映了贝叶斯学派处理问题的框架：我们先构造一个初始的估计，并且随着收集到更多的数据，不断改进估计。贝叶斯观点是一种直观的看待世界的方法，并且贝叶斯推断可以成为相应的频率推断的实用的替代方法。数据科学并不是选边站，而是要找出最适合这份工作的工具，并且掌握更多的技能只会让你更有效...