向阳而生的博客

笔记代码import randomfrom numpy import zeros, mat, nonzero, shape, multiply, sign, expdef selectJrand(i,m): j=i while(j==i): j = int(random.uniform(0,m)) return jdef clipAlpha(aj,H,L): if aj>H: aj = H i.

期末考试加油！！！

朴素贝叶斯算法原理代码练习1、留言分类2、垃圾邮件分类3、My DataReference概述朴素贝叶斯法(Naive Bayes Classifier)是基于贝叶斯定理与特征条件独立性假设的分类方法。对于给定的训练集，首先基于特征条件独立假设学习输入输出的联合概率分布（朴素贝叶斯法这种通过学习得到模型的机制，显然属于生成模型）；然后基于此模型，对给定的输入 x，利用贝叶斯定理求出后验概率最大的输出 y。首先 我们先来了解一下部分概念比如我们已经知道袋

线性模型与回归线性回归（linear regression）目的： – 学习一个线性模型以尽可能准确地预测实值输出标记：最小二乘与参数求解Logistic 回归的本质是：假设数据服从这个分布，然后使用极大似然估计做参数的估计。极大似然估计，通俗理解来说，就是利用已知的样本结果信息，反推最具有可能（最大概率）导致这些样本结果出现的模型参数值！换句话说，极大似然估计提供了一种给定观察数据来评估模型参数的方法，即：“模型已定，参数未知”。对极大似然法还不是很了解的话可以看看下面..

概述

原理理解搜寻最近的K个已知类别样本用于未知类别样本的预测算法流程K近邻算法的一般流程：1、收集数据：可以使用任何方法。2、准备数据：距离计算所需要的数值，最好是结构化的数据格式。3、分析数据：可以使用任何方法。4、训练算法：此步骤不适用于 K 近邻算法。5、测试算法：计算错误率。6、使用算法：首先需要输入样本数据和结构化的输出结果，然后运行K 近邻算法判定输入数据分别属于哪个分类，最后应用对计算出的分类执行后续的处理。代码实践将实现书上的三个例子电影类别分类约会网站配对效果判定