Aaron

阅读本文前，需要对机器学习有一定的了解，本文仅对SVM基本理论做一个梳理。 1 引入   机器学习一个最根本的任务就是分类，而分类问题中大多数又属于二分类问题，其最简单直接的描述方式如下：   给定一训练集 T，形如 (xi0,xi1,...,xin;yi)=(Xi;Yi),i=0,1,2,...,m(1)(x_{i0},x_{i1},...,x_{i

详细内容查看： http://www.52cs.org/?p=429

PCA 是常用的数据降维方法，关于其数学原理，没有那一篇讲的比这个更好了： http://blog.codinglabs.org/articles/pca-tutorial.html 在此感谢作者写如此详尽的教程！纸上得来终觉浅，绝知此事要躬行！用MATLAB写了几行程序，体验PCA的原理，参悟数学之奥妙

原文地址：[这里写链接内容](http://blog.youkuaiyun.com/zouxy09/article/details/14222605)zouxy09博客原创性博文导航zouxy09@qq.comhttp://blog.youkuaiyun.com/zouxy09        2012年8月21号开始了我的第一篇博文，也开始了我的研究生生涯。怀着对机器学习和计算机视觉等等领域的懵懂，从一个电子材料的领域跨入

机器学习很多时候都是假设空间寻找一个函数使得 fθ(X):X→Y,θ∈Rn(1)f_\theta(X):\mathcal{X} \rightarrow \mathcal{Y},\theta \in R^n \tag{1}式中X、Y\mathcal{X}、\mathcal{Y}分别表示输入空间(或特征空间)和输出空间，RnR^n表示参数空间。   但是，往往我们找到的函数，在测试集上未必可以表现出

1 目标 感知机算法针对二分类问题 f(X):X→{−1,+1}(1)f(X):\mathcal{X}\rightarrow \{ -1,+1\}\tag{1} 实质在于对于线性可分的数据集 (xi0,xi1,...,xin;yi)=(Xi;Yi),i=0,1,2,...,m(2)(x_{i0},x_{i1},...,x_{in};y_i)=(X_i;Y_i), i=0,1,2,...,m

Bagging与随机森林算法原理小结 　　　　在集成学习原理小结中，我们讲到了集成学习有两个流派，一个是boosting派系，它的特点是各个弱学习器之间有依赖关系。另一种是bagging流派，它的特点是各个弱学习器之间没有依赖关系，可以并行拟合。本文就对集成学习中Bagging与随机森林算法做一个总结。　　　　随机森林是

1 交叉验证包中的train_test_split设置测试集比例，在原始数据中随机采样，但是所得样本中各个类别比例保持与原样本一致。如下例所示import numpy as npdata_x=[['this is class 1 ']]*100 + [['this is class 2']]*50data_y=[[1]]*100 + [[2]]*50data_yX_train, X_test,