<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[tttaeyang的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/tttaeyang</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; tttaeyang]]></copyright><item><title><![CDATA[ArcGIS Server https访问不安全解决方法]]></title><link>https://blog.youkuaiyun.com/tttaeyang/article/details/127009557</link><guid>https://blog.youkuaiyun.com/tttaeyang/article/details/127009557</guid><author>tttaeyang</author><pubDate>Fri, 23 Sep 2022 14:18:56 +0800</pubDate><description><![CDATA[ArcGIS Server https访问不安全解决方法]]></description><category></category></item><item><title><![CDATA[机器学习算法之K-means（K均值聚类）算法]]></title><link>https://blog.youkuaiyun.com/tttaeyang/article/details/102394607</link><guid>https://blog.youkuaiyun.com/tttaeyang/article/details/102394607</guid><author>tttaeyang</author><pubDate>Tue, 08 Oct 2019 19:47:51 +0800</pubDate><description><![CDATA[聚类
聚类，简单来说，就是将一个庞杂数据集中具有相似特征的数据自动归类到一起，称为一个簇，簇内的对象越相似，聚类的效果越好。它是一种无监督的学习(Unsupervised Learning)方法,不需要预先标注好的训练集。聚类与分类最大的区别就是分类的目标事先已知，例如猫狗识别，你在分类之前已经预先知道要将它分为猫、狗两个种类；而在你聚类之前，你对你的目标是未知的，同样以动物为例，对于一个动物集来...]]></description><category></category></item><item><title><![CDATA[机器学习算法之回归算法]]></title><link>https://blog.youkuaiyun.com/tttaeyang/article/details/100182990</link><guid>https://blog.youkuaiyun.com/tttaeyang/article/details/100182990</guid><author>tttaeyang</author><pubDate>Thu, 05 Sep 2019 16:17:50 +0800</pubDate><description><![CDATA[回归（Regression） 概述
分类的目标变量是标称型数据，而回归则是对连续型的数据做出处理，回归的目的是预测数值型数据的目标值。

回归 场景
回归的目的是预测数值型的目标值。最直接的办法是依据输入写出一个目标值的计算公式。
假如你想要预测兰博基尼跑车的功率大小，可能会这样计算:
HorsePower = 0.0015 * annualSalary - 0.99 * hoursListeni...]]></description><category></category></item><item><title><![CDATA[机器学习算法之集成方法]]></title><link>https://blog.youkuaiyun.com/tttaeyang/article/details/100119637</link><guid>https://blog.youkuaiyun.com/tttaeyang/article/details/100119637</guid><author>tttaeyang</author><pubDate>Thu, 29 Aug 2019 17:05:27 +0800</pubDate><description><![CDATA[集成方法: ensemble method 概述


概念：是对其他算法进行组合的一种形式。


通俗来说： 当做重要决定时，大家可能都会考虑吸取多个专家而不只是一个人的意见。 机器学习处理问题时又何尝不是如此？ 这就是集成方法背后的思想。


集成方法：

投票选举(bagging: 自举汇聚法 bootstrap aggregating): 是基于数据随机重抽样分类器构造的方法
再学习(boo...]]></description><category></category></item><item><title><![CDATA[机器学习算法之支持向量机（SVM）]]></title><link>https://blog.youkuaiyun.com/tttaeyang/article/details/100103625</link><guid>https://blog.youkuaiyun.com/tttaeyang/article/details/100103625</guid><author>tttaeyang</author><pubDate>Tue, 27 Aug 2019 21:38:57 +0800</pubDate><description><![CDATA[支持向量机 概述
支持向量机(Support Vector Machines, SVM)：是一种监督学习算法。

支持向量(Support Vector)就是离分隔超平面最近的那些点。
机(Machine)就是表示一种算法，而不是表示机器。

支持向量机 场景

要给左右两边的点进行分类
明显发现：选择D会比B、C分隔的效果要好很多。


支持向量机 原理
SVM工作原理

对于上述的苹果和香蕉，...]]></description><category></category></item><item><title><![CDATA[机器学习算法之Logistic 回归算法]]></title><link>https://blog.youkuaiyun.com/tttaeyang/article/details/100097131</link><guid>https://blog.youkuaiyun.com/tttaeyang/article/details/100097131</guid><author>tttaeyang</author><pubDate>Tue, 27 Aug 2019 16:43:41 +0800</pubDate><description><![CDATA[Logistic 回归 概述
Logistic 回归 或者叫逻辑回归虽然名字有回归，但是它是用来做分类的。其主要思想是: 根据现有数据对分类边界线(Decision Boundary)建立回归公式，以此进行分类。
一些概念
Sigmoid 函数
回归 概念
假设现在有一些数据点，我们用一条直线对这些点进行拟合（这条直线称为最佳拟合直线），这个拟合的过程就叫做回归。进而可以得到对这些点的拟合直线方程...]]></description><category></category></item><item><title><![CDATA[机器学习算法之NB（朴素贝叶斯）算法]]></title><link>https://blog.youkuaiyun.com/tttaeyang/article/details/100080677</link><guid>https://blog.youkuaiyun.com/tttaeyang/article/details/100080677</guid><author>tttaeyang</author><pubDate>Tue, 27 Aug 2019 11:50:34 +0800</pubDate><description><![CDATA[朴素贝叶斯 概述

]]></description><category></category></item><item><title><![CDATA[机器学习算法之决策树算法]]></title><link>https://blog.youkuaiyun.com/tttaeyang/article/details/100065788</link><guid>https://blog.youkuaiyun.com/tttaeyang/article/details/100065788</guid><author>tttaeyang</author><pubDate>Mon, 26 Aug 2019 11:37:32 +0800</pubDate><description><![CDATA[决策树 综述
决策树（Decision Tree）算法是一种基本的分类与回归方法，是最经常使用的数据挖掘算法之一。
决策树模型呈树形结构，在分类问题中，表示基于特征对实例进行分类的过程。它可以认为是if-then规则的集合，也可以认为是定义在特征空间与类空间上的条件概率分布。
决策树学习通常包括 3 个步骤：特征选择、决策树的生成和决策树的修剪。
决策树 场景
一个叫做 “二十个问题” 的游戏，游...]]></description><category></category></item><item><title><![CDATA[机器学习算法之KNN算法]]></title><link>https://blog.youkuaiyun.com/tttaeyang/article/details/100045961</link><guid>https://blog.youkuaiyun.com/tttaeyang/article/details/100045961</guid><author>tttaeyang</author><pubDate>Sun, 25 Aug 2019 11:42:17 +0800</pubDate><description><![CDATA[KNN概述

一句话总结：近朱者赤近墨者黑！


k 近邻算法的输入为实例的特征向量，对应于特征空间的点；输出为实例的类别，可以取多类。k 近邻算法假设给定一个训练数据集，其中的实例类别已定。分类时，对新的实例，根据其 k 个最近邻的训练实例的类别，通过多数表决等方式进行预测。因此，k近邻算法不具有显式的学习过程。


k 近邻算法实际上利用训练数据集对特征向量空间进行划分，并作为其分类的“模型”...]]></description><category></category></item></channel></rss>