<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[justdoit的专栏]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/w15454</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; w15454]]></copyright><item><title><![CDATA[组织完整的 Apriori 算法]]></title><link>https://blog.youkuaiyun.com/w15454/article/details/81409596</link><guid>https://blog.youkuaiyun.com/w15454/article/details/81409596</guid><author>w15454</author><pubDate>Sat, 04 Aug 2018 12:18:06 +0800</pubDate><description><![CDATA[ 

原文笔记

组织完整的 Apriori 算法


当前一个数项(k-1)的集合中项的个数大于0时
 构建一个k个项组成的候选项集的列表
 检查数据以确认每个项集都是频繁的
 保留频繁项集并构建k+1项组成的候选项集的列表
算法使用(部分算法如scanD见上一篇)


dataSet=loadDataSet();



//dataSet:
[[1, 3, 4], [2, 3, 5], [1,...]]></description><category></category></item><item><title><![CDATA[关联分析-Apriori算法]]></title><link>https://blog.youkuaiyun.com/w15454/article/details/81409575</link><guid>https://blog.youkuaiyun.com/w15454/article/details/81409575</guid><author>w15454</author><pubDate>Sat, 04 Aug 2018 12:15:30 +0800</pubDate><description><![CDATA[原文笔记

频繁项集:经常出现在一块的物品的集合
关联规则:暗示两种物品之间可能存在很强的关系
频繁的定义:支持度和可信度
项集的支持度:数据集中包含该项集的记录所占的比例,可以定义一个最小支持度，而只保留满足最小支持度的项集
可信度或置信度:针对一条诸如{尿布}-&amp;gt;{葡萄酒}的关联规则来定义,规则的可信度被定义为“支持度({尿布, 葡萄酒})/支持度({尿布})”
Apriori 原理:A...]]></description><category></category></item><item><title><![CDATA[K-均值聚类算法]]></title><link>https://blog.youkuaiyun.com/w15454/article/details/81409544</link><guid>https://blog.youkuaiyun.com/w15454/article/details/81409544</guid><author>w15454</author><pubDate>Sat, 04 Aug 2018 12:12:19 +0800</pubDate><description><![CDATA[系列阅读

随机确定k个初始点作为质心，然后将数据集中的每个点分配到一个簇中，完成之后，每个簇的质心更新为该簇所有点的平均值
随机初始点算法流程
dataSet:
[[ 1.658985  4.285136]
 ....
 [-4.905566 -2.91107 ]]
k:2  质心数
n:2 列数
centroids: 存放随机初始点
[[0. 0.]
 [0. 0.]]
 循环n次
   依次...]]></description><category></category></item><item><title><![CDATA[局部加权线性回归LWLR]]></title><link>https://blog.youkuaiyun.com/w15454/article/details/81409516</link><guid>https://blog.youkuaiyun.com/w15454/article/details/81409516</guid><author>w15454</author><pubDate>Sat, 04 Aug 2018 12:10:33 +0800</pubDate><description><![CDATA[系列阅读

线性回归的一个问题是有可能出现欠拟合现象
局部加权线性回归求回归系数 w 得公式如下:
其中 w 是一个矩阵，用来给每个数据点赋予权重。
最常用的w是高斯核
高斯核对应的权重如下
测试数据可以看到参数 k 与权重的关系
k = 1.0时(效果与最小二乘法差不多)
k = 0.01时(表现了数据的潜在规律)
k =  0.003时(过拟合)...]]></description><category></category></item><item><title><![CDATA[普通最小二乘法讲解OLS线性回归]]></title><link>https://blog.youkuaiyun.com/w15454/article/details/80450302</link><guid>https://blog.youkuaiyun.com/w15454/article/details/80450302</guid><author>w15454</author><pubDate>Fri, 25 May 2018 13:06:47 +0800</pubDate><description><![CDATA[文章来源：http://pocore.com/blog/article_529.html系列阅读原始数据  1 x  y  最终拟合为y=a*x+1*b1.000000	0.067732	3.176513...xArr: [[1.0, 0.067732], [1.0, 0.42781], ...]yArr: [3.176513, 3.816464, 4.550095,...]矩阵转换xMat：n*...]]></description><category></category></item><item><title><![CDATA[打包java项目发布到herokuapp的资料]]></title><link>https://blog.youkuaiyun.com/w15454/article/details/80450293</link><guid>https://blog.youkuaiyun.com/w15454/article/details/80450293</guid><author>w15454</author><pubDate>Fri, 25 May 2018 13:05:24 +0800</pubDate><description><![CDATA[文章来源:http://pocore.com/blog/article_222.html原文链接 war包：Java web工程，都是打成war包，进行发布，如果我们的服务器选择 TOMCAT等轻量级服务器，一般就打出WAR包进行发布；链接将Java Web项目导出war包并部署到tomcat中链接Eclipse下使用Tomcat插件打包war文件的详细过程 Webapp runner is de...]]></description><category></category></item><item><title><![CDATA[Logistic从疝气病症预测病马的死亡率]]></title><link>https://blog.youkuaiyun.com/w15454/article/details/80450284</link><guid>https://blog.youkuaiyun.com/w15454/article/details/80450284</guid><author>w15454</author><pubDate>Fri, 25 May 2018 13:04:16 +0800</pubDate><description><![CDATA[文章来源:http://pocore.com/blog/article_514.html系列阅读errorSum:0.0 总错误率numTests:6  循环次数循环numTests次k=0读取训练数据currLine: ['2.000000', '1.000000', '38.500000', '66.000000', '28.000000', '3.000000', '3.000000', '...]]></description><category></category></item><item><title><![CDATA[Logistic回归随机梯度上升算法优化]]></title><link>https://blog.youkuaiyun.com/w15454/article/details/80450270</link><guid>https://blog.youkuaiyun.com/w15454/article/details/80450270</guid><author>w15454</author><pubDate>Fri, 25 May 2018 13:02:26 +0800</pubDate><description><![CDATA[文章来源:http://pocore.com/blog/article_512.html系列阅读随机梯度上升算法改进:每次更新只使用一条数据而不是使用全部数据更新dataMatIn: [[1.0, -0.017612, 14.053064], [1.0, -1.395634, 4.662541], [1.0, -0.752157, 6.53862], [1.0, -1.322371, 7.1528...]]></description><category></category></item><item><title><![CDATA[Logistic回归]]></title><link>https://blog.youkuaiyun.com/w15454/article/details/80450255</link><guid>https://blog.youkuaiyun.com/w15454/article/details/80450255</guid><author>w15454</author><pubDate>Fri, 25 May 2018 13:00:59 +0800</pubDate><description><![CDATA[文章来源:http://pocore.com/blog/article_505.html系列阅读Logistic回归最优化算法海维塞德阶跃函数在跳跃点上从0瞬间跳跃到1,这个瞬间跳跃过程有时很难处理。Sigmoid函数也有类似的性质,且数学上更易处理,如果横坐标刻度足够大,Sigmoid函数看起来很像一个阶跃函数在每个特征上都乘以一个回归系数，然后把所有的结果值相加，将这个总和代入Sigmoid函...]]></description><category></category></item><item><title><![CDATA[朴素贝叶斯分类器从不同地域广告中获取地域广告用词倾向区别]]></title><link>https://blog.youkuaiyun.com/w15454/article/details/80450243</link><guid>https://blog.youkuaiyun.com/w15454/article/details/80450243</guid><author>w15454</author><pubDate>Fri, 25 May 2018 12:59:39 +0800</pubDate><description><![CDATA[ 转载来源:http://pocore.com/blog/article_504.html系列阅读从美国的两个城市中选取一些人， 通过分析这些人发布的征婚广告信息，来比较这两个城市的人们在广告用词上是否不同,如果结论确实是不同，那么他们各自常用的词是哪些？从人们的用词当中，我们能否对不同城市的人所关心的内容有所了解大致流程算法和区分广告邮件的差不多下面记录差异的部分1.对所有词出现频率进行排序，返...]]></description><category></category></item><item><title><![CDATA[垃圾邮件过滤案例]]></title><link>https://blog.youkuaiyun.com/w15454/article/details/80450109</link><guid>https://blog.youkuaiyun.com/w15454/article/details/80450109</guid><author>w15454</author><pubDate>Fri, 25 May 2018 12:32:15 +0800</pubDate><description><![CDATA[系列文章阅读:http://pocore.com/blog/article_503.html原文链接1.spam与ham  文件夹下分别存放1-25.txt的25封垃圾邮件和正常邮件2.切分文本,将邮件文本切分成一个一个的单词,单词全部转换成小写,单词长度小于2的单词不计算在算法之内3.优化点：邮件中的HTML、链接统一当成html和url处理等4.读取全部邮件得到  listOPosts,lis...]]></description><category></category></item><item><title><![CDATA[朴素贝叶斯分类器训练过程分析]]></title><link>https://blog.youkuaiyun.com/w15454/article/details/80450104</link><guid>https://blog.youkuaiyun.com/w15454/article/details/80450104</guid><author>w15454</author><pubDate>Fri, 25 May 2018 12:30:51 +0800</pubDate><description><![CDATA[转载来源，系列阅读:http://pocore.com/blog/article_495.html原文链接这是一个识别论坛不当言论的案例步骤一:获得这个问题的全部特征(标称型)所谓标称型数据:是可以化成0 1表示的数据用于案例训练的数据如下:dataSet: [['my', 'dog', 'has', 'flea', 'problems', 'help', 'please'], ['maybe',...]]></description><category></category></item><item><title><![CDATA[决策树算法应用案例-眼科医生判断患者隐形眼镜佩戴类型]]></title><link>https://blog.youkuaiyun.com/w15454/article/details/80450099</link><guid>https://blog.youkuaiyun.com/w15454/article/details/80450099</guid><author>w15454</author><pubDate>Fri, 25 May 2018 12:29:27 +0800</pubDate><description><![CDATA[转载自http://pocore.com/blog/article_492.html原文链接数据集来源ucihttp://archive.ics.uci.edu/ml/machine-learning-databases/lenses/ young	   myope	    no	reduced	   no lensesyoung	   myope	    no	    normal	   sof...]]></description><category></category></item><item><title><![CDATA[决策树算法的执行过程分析]]></title><link>https://blog.youkuaiyun.com/w15454/article/details/80448795</link><guid>https://blog.youkuaiyun.com/w15454/article/details/80448795</guid><author>w15454</author><pubDate>Fri, 25 May 2018 10:57:52 +0800</pubDate><description><![CDATA[ 转载注明出处http://pocore.com/blog/article_491.html 原文地址1.运用决策树进行新加入数据分类的整体流程   已知条件:一组包含了若干特征值和对应的最终分类的数据  输入:和上面特征值数据一一对应的新的特征值信息  执行算法后得到:输入的这组特征值对应的分类 2.信息熵:数据越无序包含的信息越多,对应的信息熵也越大   信息熵计算公式:  信息增益:由于某个...]]></description><category></category></item><item><title><![CDATA[几组超神奇的网页应用代码要你在IE浏览器任意打开一个网站，然后在浏览器上输入如下代码神奇的代码，可随意修改复制页面内容！]]></title><link>https://blog.youkuaiyun.com/w15454/article/details/50805950</link><guid>https://blog.youkuaiyun.com/w15454/article/details/50805950</guid><author>w15454</author><pubDate>Fri, 04 Mar 2016 22:38:39 +0800</pubDate><description><![CDATA[小技巧]]></description><category></category></item><item><title><![CDATA[javascript中document.getelementbyid缺少对象的问题原因]]></title><link>https://blog.youkuaiyun.com/w15454/article/details/25471437</link><guid>https://blog.youkuaiyun.com/w15454/article/details/25471437</guid><author>w15454</author><pubDate>Sat, 10 May 2014 12:20:28 +0800</pubDate><description><![CDATA[function show(){
var mymario=document.getElementById('mymario'); 
window.alert(mymario.style.top);
}
          
          


   
               
         
 
   
                    游戏键盘  ]]></description><category></category></item></channel></rss>