YiqiangXu的博客

本文主要是转载他人观点，只是用来作为学习笔记，感谢原作者。Part1：核函数和映射没有关系。核函数只是用来计算映射到高维空间之后的内积的一种简便方法。一般英文文献对Kernel有两种提法，一是Kernel Function，二是Kernel Trick。从Trick一词中就可以看出，这只是一种运算技巧而已，不涉及什么高深莫测的东西。具体巧在哪里呢？我们如果想进行

参考：《统计学习方法》

Softmax回归Contents [hide]1 简介2 代价函数3 Softmax回归模型参数化的特点4 权重衰减5 Softmax回归与Logistic 回归的关系6 Softmax 回归 vs. k 个二元分类器7 中英文对照8 中文译者简介在本节中，我们介绍Softmax回归模型，该模型是logist

# load_files函数解析def load_files(container_path, description=None, categories=None, load_content=True, shuffle=True, encoding=None, decode_error='strict', random_state=0):

该部分讲解的是scikit-learn中构建term-document矩阵的方法,该方法被用到了以下地方:The sklearn.feature_extraction.text submodule gathers utilities to build feature vectors from text documents.feature_extraction

该部分讲解的是scikit-learn中构建term-document矩阵的方法,该方法被用到了以下地方:The sklearn.feature_extraction.text submodule gathers utilities to build feature vectors from text documents.feature_extraction

复杂矩阵问题求导方法：可以从小到大，从scalar到vector再到matrix: x is a column vector, A is a matrixd(A∗x)/dx=Ad(A∗x)/dx=A            d(xT∗A)/dxT=Ad(xT∗A)/dxT=A   d(xT∗A)/dx=ATd(xT∗A)/dx=AT  

该部分讲解的是scikit-learn中构建term-document矩阵的方法,该方法被用到了以下地方：例如TfidfVectorizer中的fit_transform方法就是利用scipy的稀疏矩阵构建并返回term-document矩阵：稀疏矩阵Compressed Sparse Row (CSR)存储原理：下面讲解具体实现代码：

Backpropagation for a Linear LayerVector, Matrix, and Tensor Derivatives