mddh_123的博客

机器学习第九章学习笔记，包括对聚类的理解。在具体算法上，实现k均值算法，增进相关理解。

机器学习集成学习部分学习笔记，实现Bagging算法并与前文的结果进行对比。

本文记录集成学习AdaBoost算法的学习体会，并编写习题8.3程序。

今天在写代码的时候发现了以前不曾注意过的问题，希望能够分享出来。

编写《机器学习》习题7.9、7.10时，对贝叶斯网概念有了一些理解，在此希望分享给大家。

在python中，想要对列表、字典进行复制时，需要使用copy方法，但是里面也有一些较为基础但容易忽略的问题，可能会对编程造成困扰。

本文记录对《机器学习》贝叶斯分类器部分的理解，并实现习题7.3，7.4

一、神经网络神经网络通过隐层（中间层）的变换，增加了超平面的划分能力。然而，在对神经网络的学习中，没有看到关于隐层神经元数量选择的解释。也就是说，在神经网络理论中似乎并没有考虑到网络结构对输出结果产生的影响。二、代码实现 def calculate(self, input_values): """ :param input_values: [color...

前文学习笔记三一、决策树模型通常，人在判断事物的时候，有一个决策流程。决策树模型正是模拟了这样的机制。在由N个属性描述的N维空间中，决策树中的每一个结点都相当于该N维空间中的一个超平面。决策树的枝干结构则体现了N维空间中这些超平面的交并关系。由于自己编写的程序由8个维度的属性描述，应该是无法用坐标图来描述的。所以这里借用书上的例子介绍。图示决策树存在四个结点，也就存在四个超平面，在二维...

前文学习笔记二一、线性判别分析的基本思想“给定训练样例集，设法将样例投影到一条直线上，使得同类样例的投影点尽可能接近、异类样例的投影点尽可能远离；在对新样本进行分析时，将其投影到同样的这条直线上，再根据投影点的位置来确定新样本的类别。”书中的这段话总感觉缺了点什么，缺的就是具体的判断方法，究竟哪个位置才算“正例”和“反例”的分界线呢？将训练集“正例”、“反例”的均值中心点分别投影到LDA...

前文学习笔记一一、是什么让我再次回到这个问题我查阅了很多网上类似的学习笔记，发现大家都在完成习题3.3后，绘制了下面这张图来验证自己的程序。这张图，以“密度”为横坐标，“含糖量”为纵坐标。同时，数据集中的数据被“密度”、“含糖量”两个坐标唯一确定。也就是说，每一条数据都是这个平面上的一个点。其中，红色代表“正例”，蓝色代表“反例”，黄线由“对率回归”算法确定的w、b值唯一确定。对...

一、对《机器学习》内容问题的一点质疑在《机器学习》第53页，书中应该是存在对行向量（1×N矩阵）、列向量（N×1矩阵）的描述错误问题。如下图：我在划线位置分别加上了两个转置符号"T"。按照原来书上的写法w和x都是一个行向量，wT则是列向量。因此wT与x的结果应该是一个N×N的矩阵，而并非式（3.1）所写的具体的值。二、分类的基本思想我们希望找到一个函数满足下面的条件：正例反例...

一、框架最让人头疼的问题利用框架来编写程序，会大大降低编写难度，但是如果不了解框架的调用关系及各个文件的作用，在遇到error时往往会很头疼。以前曾经编写过Android程序，网络上对Android中各个部分的调用关系、生存期讲的很清楚，但是当我用django框架编写程序时，发现网上对这方面的东西讲的很模糊。这篇博客就讲一下我对django框架的一点个人理解。django框架的大致结构：ur...

一、明确爬取任务目标由于我只知道新浪财经这一家财经类网站，所以决定爬取新浪财经网。爬取大概分为两层。第一层爬取各个股票的简略财经信息，并顺便获取相应公司的链接；第二层就利用上一层爬到的公司链接，爬取各个公司的年度报告。我在第一层爬取到的信息类似于下面这样：['600696', 'ST岩石', '2019-07-10', '0.02', '7435.61', '12.14', '738.57'...