Labiod的博客

机器学习中的线性回归算法，这一算法解决的是从连续取值的输入映射为连续取值的输出的回归问题。今天我分享的算法则用于解决分类问题，即将连续取值的输入映射为离散取值的输出，算法的名字叫作“朴素贝叶斯方法”。解决分类问题的依据是数据的属性。朴素贝叶斯分类器假定样本的不同属性满足条件独立性假设，并在此基础上应用贝叶斯定理执行分类任务。其基本思想在于分析待分类样本出现在每个输出类别中的后验概率，并以取得最大后验概率的类别作为分类的输出。假设训练数据的属性由 n 维随机向量 x 表示，其分类结果用随机变量 y 表

数学中的线性模型可谓“简约而不简单”：它既能体现出重要的基本思想，又能构造出功能更加强大的非线性模型。在机器学习领域，线性回归就是这样一类基本的任务，它应用了一系列影响深远的数学工具。在数理统计中，回归分析是确定多种变量间相互依赖的定量关系的方法。线性回归假设输出变量是若干输入变量的线性组合，并根据这一关系求解线性组合中的最优系数。在众多回归分析的方法里，线性回归模型最易于拟合，其估计结果的统计特性也更容易确定，因而得到广泛应用。而在机器学习中，回归问题隐含了输入变量和输出变量均可连续取值的前提，因而利

算法概述原理在无线通信领域，有一种“MIMO”技术。“MIMO”是什么呢？ 它是 多输出多输入 “Multi Iuput Multi Output”的缩写。它可以用来解决来降低误码率并提升信道容量的问题。其原理是：通过多个发射机发送的信号，并在多个接收机端接收信号，这些信号经历的衰减是相互独立的。这样一来，在接收端多个信号同时被严重衰减的概率就会以指数形式减小，通过获得分集增...

层次聚类算法原理一、聚类算法的分类层次聚类合并算法一、聚类算法的分类层次聚类划分聚类：图论、Kmean基于密度：DBSCAN基于网格层次聚类通过计算不同类别数据节点间的相似度来创建一颗有层次的嵌套树（聚类树）。创建方法：自下而上合并，自上而下分裂。合并算法通过计算两类数据点间的相似性，组合最相似的两类，并反复迭代。相似性由一个类别点与所有点之间的距离来确...

使用 TensorFlow 的起始步骤 (First Steps with TensorFlow)：工具包下图显示了 TensorFlow 工具包的当前层次结构：图 1. TensorFlow 工具包层次结构。下表总结了不同层的用途：TensorFlow 由以下两个组件组成：图协议缓冲区执行（分布式）图的运行时这两个组件类似于 Java 编译器和 JVM。正如 JVM 会实施...

两个实验练习优化学习速率学习了梯度下降和学习效率这两节内容后。原网站有一个简单的通过梯度下降对学习效率的影响的小实验。可以通过尝试不同的学习速率，看看不同的学习速率对到达损失曲线最低点所需的步数有何影响。实验图片如下所示：这里附上外网链接，优化学习效率练习降低损失 (Reducing Loss)：Playground 练习实验界面图这里附加外网链接，降低损失 (Reducin...

降低损失 (Reducing Loss)：随机梯度下降法外网原文链接地址在梯度下降法中，批量指的是用于在单次迭代中计算梯度的样本总数。到目前为止，我们一直假定批量是指整个数据集。就 Google 的规模而言，数据集通常包含数十亿甚至数千亿个样本。此外，Google 数据集通常包含海量特征。因此，一个批量可能相当巨大。如果是超大批量，则单次迭代就可能要花费很长时间进行计算。包含随机抽样样本的大...

降低损失 (Reducing Loss)：学习速率正如之前所述，梯度矢量具有方向和大小。梯度下降法算法用梯度乘以一个称为学习速率（有时也称为步长）的标量，以确定下一个点的位置。例如，如果梯度大小为 2.5，学习速率为 0.01，则梯度下降法算法会选择距离前一个点 0.025 的位置作为下一个点。超参数是编程人员在机器学习算法中用于调整的旋钮。大多数机器学习编程人员会花费相当多的时间来调整学习速...

降低损失 (Reducing Loss)：梯度下降法外网原文及视频教程链接https://developers.google.com/machine-learning/crash-course/reducing-loss/gradient-descent?hl=zh-cn降低损失 (Reducing Loss)：梯度下降法预计用时：10 分钟迭代方法图（图 1）包含一个标题为“计算参数更新...

降低损失：迭代方法上一单元介绍了损失的概念。在本单元中，您将了解机器学习模型如何以迭代方式降低损失。迭代学习可能会让您想到“Hot and Cold”这种寻找隐藏物品（如顶针）的儿童游戏。在我们的游戏中，“隐藏的物品”就是最佳模型。刚开始，您会胡乱猜测（“w1 的值为 0。”），等待系统告诉您损失是多少。然后，您再尝试另一种猜测（“w1 的值为 0.5。”），看看损失是多少。哎呀，这次更接近目...

深入了解机器学习 (Descending into ML)：训练与损失简单来说，训练模型表示通过有标签样本来学习（确定）所有权重和偏差的理想值。在监督式学习中，机器学习算法通过以下方式构建模型：检查多个样本并尝试找出可最大限度地减少损失的模型；这一过程称为经验风险最小化。损失是对糟糕预测的惩罚。也就是说，损失是一个数值，表示对于单个样本而言模型预测的准确程度。如果模型的预测完全准确，则损失为零...

深入了解机器学习 (Descending into ML)：线性回归人们早就知晓，相比凉爽的天气，蟋蟀在较为炎热的天气里鸣叫更为频繁。数十年来，专业和业余昆虫学者已将每分钟的鸣叫声和温度方面的数据编入目录。Ruth 阿姨将她喜爱的蟋蟀数据库作为生日礼物送给您，并邀请您自己利用该数据库训练一个模型，从而预测鸣叫声与温度的关系。首先建议您将数据绘制成图表，了解下数据的分布情况：图 1. 每分钟...

机器学习概念--机器学习术语问题构建 (Framing)：机器学习主要术语什么是（监督式）机器学习？简单来说，它的定义如下：机器学习系统通过学习如何组合输入信息来对***从未见过的数据做出有用的预测***。下面我们来了解一下机器学习的基本术语。标签标签是我们要预测的事物，即简单线性回归中的 y 变量。标签可以是小麦未来的价格、图片中显示的动物品种、音频剪辑的含义或任何事物。特征...