skyonefly的博客

labelList = rep(c("yes","no"),c(2,3))label.count = table(labelList)> label.countlabelList no yes 3 2 #下面显示了，每一行个数as.numeric(label.count)>[1] 3 2#小技巧 和 factor 搭配使用，用factor 显示标签，Pyt

http://blog.youkuaiyun.com/login_sonata/article/details/73929426

#alpha error theta#虽然是python 标签 但缺少sigmoid <- function(x){ return (1.0/(1+exp(-x)))}#用什么样的优化算法 1 gradient descent 2 stochastic gradient descent# 3 controlnumber = 3#set max iterator timesm

xgboost,adaboost,randomforest, 决策树

博主代码根据机器挖掘实战编写的.那本书用的是Python.Step By Step. R语言有函数包实现 也可以调用，里面的四个algorithm我怎么看着都差不多，所以我决定写一下，明天仔细看一下 kmeans(x, centers, iter.max = 10, nstart = 1, algorithm = c(“Hartigan-Wong”, “Lloyd”, “Forg

实现了R语言决策树，首先计算香农熵，然后取。 自己实现的 可能不能判断哪个阈值用还是不用，我在思考这个问题。

KNN是机器学习中最简单的分类算法之一就是把每一个测试样本跟训练样本中的每一个样本求他们的欧式距离，然后选出最小的几个，里面哪一个类多 这个测试样本就属于哪一个类用R语言自带的iris 写了一下data("iris")length(iris[,1])idx = sample(150,100)train = iris[idx,]test = iris[-idx,]tra

之前工作用到神经网络拟合nonliear curve 语言用的R语言 找不到源码所以自己参照别人的matlab 代码实现了一个 RBF网络具体介绍见参考文章 参考文章RBF网络对初始参数设置比较敏感 所以对初始delta 和 center 我利用了kmean 聚类初始化library(dplyr)library(data.table)rbf <- NULL#Guassian径向基函数

今天再用逻辑斯特回归做模式识别作业,忽然发现了神经网络包 ,遂看了一下 持续更新#载入DMwR包library(DMwR) #载入nnet(神经网络)包library(nnet) #利用read.table读取数据original.data = read.table("E:/MyDownloads/dataset/dataset/test.data",header = FALSE,sep

熵（entropy）是表示随机变量不确定性的度量.所以熵越小越好 之所以Po出来是因为里面好多小函数自己找了好久 R语言用的人太少了 好痛苦#computing ShannonEntCalShannonEnt<-function(dataSet){ #number of sample numEntries = nrow(dataSet) #labels you want to cla

今天再用逻辑斯特回归做模式识别作业,忽然发现了神经网络包 ,遂看了一下 持续更新library(DMwR) library(nnet) original.data = read.table("E:/MyDownloads/dataset/dataset/test.data",header = FALSE,sep = " ")colnames(original.data)[11] ="la

首先，dfsane属于BB包，使用时应首先载入library("BB")nleqslv 属于nleqslve包，同样使用时应载入 library("nleqslve")DescriptionDerivative-Free Spectral Approach for solving nonlinear systems of equations求解非线性方程组衍生-自由

本文主要从理解方面入手以及各个公式之间的关系，没有证明（因为证明看了我也会忘。。）