weixin_37722024的博客

dlrm:说明我再补充先这样。curl -O http://azuremlsampleexperiments.blob.core.windows.net/criteo/day_{seq -s , 0 23}.gz

一、熵 熵是表示随机变量不确定性的度量，设 XX 是一个离散型随机变量，统计学习中使用的熵是基于有限个离散随机变量的，所以 XX 的取值是有限个，其概率分布为 P(X=xi)=pi,i=1,2,...,nP(X=x_i) = p_i, i=1,2,...,n 则随机变量 XX 的熵定义为 H(X)=−∑i=1npilogmpiH(X) = - \sum_{i=1} ^n { p_i

写的很好。以下是正文，MD做了一些修改以适应优快云的格式—— 转自：Think Bayes - 我所理解的贝叶斯定理 贝叶斯定理是统计学中非常重要的一个定理，以贝叶斯定理为基础的统计学派在统计学世界里占据着重要的地位，和概率学派从事件的随机性出发不同，贝叶斯统计学更多地是从观察者的角度出发，事件的随机性不过是观察者掌握信息不完备所造成的，观察者所掌握的信息多寡将影响观察者对于事件的认知

统计学习笔记-朴素贝叶斯法注释了一些我对朴素贝叶斯法的理解，以及对原文的表述的通俗解释。

算法描述k近邻算法（k-nearest neighbour）的输入是实例的特征向量，对应于特征空间的点；输出是实例的类别。k近邻法假定在给定的训练数据集里，其中的实例的类别是确定的。对于新的实例，根据其k个最近的实例的类别，通过表决的方法进行预测。3.1 k近邻算法算法3.1 输入：训练数据集TT和实例的特征向量x^\hat{x}； 其中训练数据集T={(x1,y1),(x2,y2),..

统计学习符号X：输入空间/特征空间 Y：输出空间 X：输入变量 Y：输出变量 x：输入变量的值 y：输出变量的值 xi=(x(1),x(2),...,x(n))x_i=(x^{(1)},x^{(2)},...,x^{(n)})：第i个输入实例x的特征向量，n是特征的个数 T={(x1,y1),(x2,y2),...(xN,yN)}\{(x_1,y_1),(x_2,y_2),...(x_

详细记录了感知机的概念，并使用Python实现了感知机算法。