Brianyjh的博客

文章目录前言GET DATA梳理标量数据描述性统计训练数据：划分使用`StratifiedShuffleSplit`进行分层采样数据探索相关系数属性组合试验Prepare the data for Machine Learning algorithms数据清洗处理标量数据创建自己的类特征缩放转换流水线选择并训练模型交叉验证模型微调网格搜索随机搜索每个属性(特征）对于做出准确预测的相对重要性计算RMSE的置信区间#py2和py3的有效切换from __future__ import division, p

聚类算法的步骤（k-means）{c(i)来存储与第i个实例（xi）数据最近的聚类中心的索引μk  聚类中心μc(i)代表与????(xi)最近的聚类中心点。_{\begin{cases} c^{\left( i \right)}来存储与\text{第}i个实例\text{（}x_i\text{）}数据最近的聚类中心的索引\\ \mu _k\,\,\text{聚类中心}\\ \mu _{c^{\left( i \right)}}代表与????(x_i)最近的聚类中心点。\\\end{cases}}

目标：拟合非线性边界想法：拟合复杂多项式{y  =θ0+θ1f1+θ2f2+θ3f3+θ4f4f1=x1,f2=x2,f3=x1x2,d4=x42\begin{cases} y\,\,=\theta _0+\theta _1f_1+\theta _2f_2+\theta _3f_3+\theta _4f_4\\ f_1=x_1, f_2=x_2,f_3=x_1x_2,d_4=x_{4}^{2}\\\end{cases}{y=θ0​+θ1​f1​+θ2​f2​+θ3​f3​+θ4​f4​f1​=x.

预测学生是否被大学录取。根据两次考试的结果来决定每个申请人的录取机会import numpy as npimport pandas as pdimport matplotlib.pyplot as plt%matplotlib inlinepath = './data/LogiReg_data.txt'origin =pd.read_csv(path, header=None, names=['Exam 1', 'Exam 2', 'Admitted'])red = origin[orig

文章目录01 引言(多元线性回归)多元线性回归梯度下降梯度下降技巧01-特征缩放梯度下降技巧02-学习率与终止迭代条件用多项式回归模型02 Normal Equation法推导过程Normal Equation法与梯度下降法比较01 引言(多元线性回归)“多元线性回归本质上与单元变量线性回归没太大区别”增添更多特征后，我们引入一系列新的注释：引入多元变量后，我们直接把原来的函数简写为多元线性回归梯度下降多元变量的线性回归的梯度下降与一元的没什么区别梯度下降技巧01-特征缩放在我们面对

文章目录01 概念基本概念监督学习回归&分类&其他总结无监督学习两种列举的无监督学习02 正题：单变量线性回归对一般回归问题的标记代价函数损失函数的图形化表示损失函数存在的意义梯度下降梯度下降的表现形式01 概念什么是机器学习？T:任务，目的，结果E:训练集，经验值h：假设，方程p：置信区间一个程序被认为能从经验E中学习, 解决任务T，达到性能度量值P，当且仅当，有了经验E后，经过P评判，程序在处理T时的性能有所提升。我认为经验E就是程序上万次的自我练习的经验而任务，T是

2021年7月11日一个程序被认为能从经验E中学习, 解决任务T，达到性能度量值P，当且仅当，有了经验E后，经过P评判，程序在处理T时的性能有所提升。我认为经验E就是程序上万次的自我练习的经验而任务就T是下棋。性能度量值P呢，就是它在与一些新的对手比赛时，赢得比赛的概率。监督学习和无监督学习监督学习: 我们将教计算机如何去完成任务无监督学习中:我们打算让它自己进行学习此外你将听到诸如，强化学习和推荐系统等各种术语。这些都是机器学习算法的一员监督学习可以看出，监督学习指的..