Meyayron正在玩游戏中...

神经网络的正向&&反向传播 通过正向传播后得到的误差来进行反向传播，反向传播时通过求导的方式更新权值，获得误差更小的权重参数。 具体讲解见： http://www.cnblogs.com/charlotte77/p/5629865.html 神经网络的代价函数 相比逻辑回归的代价函数，这里增加了一个关于K的累加，K代表的是分类的数量。下标K的意思就是计算

参考文献 1 文墨 https://www.cnblogs.com/sparkwen/p/3441197.html 2 Andrew NG. Logistic Regression Classification 逻辑回归(Logistic Regression, LR)模型其实仅在线性回归的基础上，套用了一个逻辑函数，但也就由于这个逻辑函数，使得逻辑回归模

参考：http://blog.youkuaiyun.com/xlinsist/article/details/51212348 引言 在运用一些机器学习算法的时候不可避免地要对数据进行特征缩放（feature scaling），比如：在随机梯度下降（stochastic gradient descent）算法中，特征缩放有时能提高算法的收敛速度。下面我会主要介绍一些特征缩放的方法。 什么是特征

平方误差代价函数 我们的目标就是让J()尽可能的小 梯度下降 := 是赋值的意思 α" role="presentation" style="position: relative;">αα\alpha 是指learning rate(学习速度) 对theta求导（斜率），theta在左半边的时候，斜率为负，所以theta会向右更新，同理在又边的

参考Blog： adaBoost算法 参考书籍： 《机器学习实战》 - 参考书籍： Adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器（弱分类器），然后把这些弱分类器集合起来，构成一个更强的最终分类器（强分类器）。Adaboost算法本身是通过改变数据分布来实现的，它根据每次训练集之中每个样本的分类是否正确，以及上次的总体分类的准确率，来确定每个样本的

k-近邻算法（KNN）算法概述（分类器） KNN通过测量不同特征值之间的距离进行分类。大致思路：一个样本在k个最相似（即特征空间中最邻近）的样本中的大多数属于某一个类别。那么该样本也属于这个类别。 参考书籍：《python经典学习实例》、《机器学习实战》 源码地址：https://github.com/Metatronxl/MachineLearning/tree/master/k...