Carl

摘要：机器学习与数据挖掘！重中之重，热中之热。要“深入浅出，要言不烦，不卖关子，不摆噱头”讲清楚机器学习，斯坦福大学教授Andrew Ng做到了。这是他的26篇教程的翻译，建议收藏。机器学习与数据挖掘！重中之重，热中之热。每一篇在优快云云计算频道发表的相关文章都获得无数响应与评价。我们一直在思考如何能将文章汇聚成系列，并建立了“机器学习”的tag，但要从浅入深，汇聚前沿，点评发展，并

谱聚类算法(Spectral Clustering) – 文赛平 – 博客园. 谱聚类(Spectral Clustering, SC)是一种基于图论的聚类方法——将带权无向图划分为两个或两个以上的最优子图，使子图内部尽量相似，而子图间距离尽量距离较远，以达到常见的聚类的目的。其中的最优是指最优目标函数不同，可以是割边最小分割——如图1的Smallest cut(如后文的Min cut

转自：http://guoxinmiao8.blog.sohu.com/159956578.html这里面，最简单的一个概念就是“图”(Graph)，它用于表示事物之间的相互联系。每个图有一批节点(Node)，每个节点表示一个对象，通过一些边 (Edge)把这些点连在一起，表示它们之间的关系。就这么一个简单的概念，它对学术发展的意义可以说是无可估量的。几乎所有领域研究的东西，都是存在相互联系的

bootstrps bagging boosting这几个概念经常用到，现仔细学习了一下：    他们都属于集成学习方法，(如：Bagging，Boosting，Stacking)，将训练的学习器集成在一起,原理来源于PAC学习模型（Probably Approximately CorrectK）。Kearns和Valiant指出，在PAC学习模型中，若存在一个多项式级的学习算法来识别

http://machinelearningmastery.com/discover-feature-engineering-how-to-engineer-features-and-how-to-get-good-at-it/Feature engineering is an informal topic, but one that is absolutely known a

http://blog.sina.com.cn/s/blog_4b59de070100ehl7.html最近一直在做相关推荐方面的研究与应用工作，召回率与准确率这两个概念偶尔会遇到，知道意思，但是有时候要很清晰地向同学介绍则有点转不过弯来。召回率和准确率是数据挖掘中预测、互联网中的搜索引擎等经常涉及的两个概念和指标。召回率：Recall，又称“查全率”——还是查全率好记，也

来源：36大数据 作者：LinkinPark现一个key-value的数据库，那么有很多种模式都可以实现，但是他们最终所达到的效果却是千差万别的。同样，在机器学习领域，如果我想实现一个分类器，也有很多种算法，但是每种算法都对数据做了不同的前提假设。曾经当我们处理少量数据的时候，我们往往可以先设计若干种算法，然后每种都测试一下，选择一种最优的方法，但是当面对大数据时，我们就需要转变一

http://www.cnblogs.com/pegasus/p/3396085.html1 NIPALS 算法Step1：对原始数据X和Y进行中心化，得到X0和Y0。从Y0中选择一列作为u1，一般选择方差最大的那一列。注：这是为了后面计算方便，如计算协方差时，对于标准化后的数据，其样本协方差为cov(X,Y)=XTY/(n-1)。Ste

以下简称交叉验证(Cross Validation)为CV.CV是用来验证分类器的性能一种统计分析方法,基本思想是把在某种意义下将原始数据(dataset)进行分组,一部分做为训练集(train set),另一部分做为验证集(validation set),首先用训练集对分类器进行训练,在利用验证集来测试训练得到的模型(model),以此来做为评价分类器的性能指标.常见CV的方法如下:1)

菜鸟最近开始学习machine learning。发现adaboost 挺有趣，就把自己的一些思考写下来。主要参考了http://stblog.baidu-tech.com/?p=19，其实说抄也不为过，但是我添加了一些我认为有意思的东西，所以我还是把它贴出来了，呵呵。一 Boosting 算法的起源boost 算法系列的起源来自于PAC Learnabilit

斯坦福大学机器学习斯坦福大学机器学习第九课“神经网络的学习(Neural Networks: Learning)”学习笔记，本次课程主要包括8部分：1) Cost function(代价函数)2) Backpropagation algorithm(BP算法 or 反向传播算法)3) Backpropagation intuition(BP算法的直观解释)4

Neural network cost functionNNs - one of the most powerful learning algorithmsIs a learning algorithm for fitting the derived parameters given a training set  Let's have a first look at a neur

Stanford Machine LearningThe following notes represent a complete, stand alone interpretation of Stanford's machine learning course presented by Professor Andrew Ng and originally posted on the ml

版权声明：    本文由LeftNotEasy发布于http://leftnoteasy.cnblogs.com, 本文可以被全部的转载或者部分使用，但请注明出处，如果有问题，请联系wheeleast@gmail.com前言：    上一次写了关于PCA与LDA的文章，PCA的实现一般有两种，一种是用特征值分解去实现的，一种是用奇异值分解去实现的。在上篇文章中便是基于特征值分解的一种解

UCI数据集是一个常用的标准测试数据集，下载地址在http://www.ics.uci.edu/~mlearn/MLRepository.html我的主页上也有整理好的一些UCI数据集：http://lamda.nju.edu.cn/yuy/files/download/UCI_arff.zip在看别人的论文时，别人使用的数据集会给出数据集的出处或下载地址（除非是很机密的数据，

English:libsvm_options:-s svm_type : set type of SVM (default 0)        0 -- C-SVC        1 -- nu-SVC        2 -- one-class SVM        3 -- epsilon-SVR        4 -- nu-SVR-t kernel_type

神经网络中隐层数和隐层节点数问题的讨论一 隐层数        一般认为，增加隐层数可以降低网络误差（也有文献认为不一定能有效降低），提高精度，但也使网络复杂化，从而增加了网络的训练时间和出现“过拟合”的倾向。一般来讲应设计神经网络应优先考虑3层网络（即有1个隐层）。一般地，靠增加隐层节点数来获得较低的误差，其训练效果要比增加隐层数更容易实现。对于没有隐层的神经网络模型，实际上就是一个

文章转自：http://www.matlabsky.com/thread-12414-1-1.html基于GridSearch的svm参数寻优http://www.matlabsky.com/thread-12411-1-1.html基于GA的svm参数寻优http://www.matlabsky.com/thread-12412-1-1.html===

scikit learn机器学习包中包含了偏最小二乘回归，所以可以调用对应的函数来实现class sklearn.cross_decomposition.PLSRegression(n_components=2, scale=True, max_iter=500, tol=1e-06, copy=True)参数信息：Parameters:n_comp