- 博客(11)
- 收藏
- 关注
RSS订阅原创 吃瓜理解-对数几率回归
例1：信息熵，若x有两种取值a,b，如果我确定取值一定为a，那么它的信息熵就是很小的；如果取a值的概率为1/2，b值的概率为1/2，则信息熵较高；若a为3/4，b为1/4，则信息熵较一定取a值的情况高，较a的概率为1/2的概率低。其实只要是满足y取1时，就用p1；y取0时就用p0即可；这是依据我们前一步推导所能想到的。以一个二分类任务为例设正例为1，负例为0；设正例概率为p，则取负例的概率为1-p。在线性模型的基础上套一个映射函数来实现分类功能，最终的输出其实是一个概率。到此两种方法，殊途同归。
2025-02-12 20:29:13
256
原创 吃瓜理解（西瓜书+南瓜书）
例如以上举例中如果训练集中含有相同颜色但根蒂不蜷缩的坏瓜，模型学到真相的概率则也会增大，从特征工程的角度来说，通常对特征数值化越合理，特征收集越全越细致，模型效果通常越好，因为此时模型更易学得样本之间潜在的规律。由于样本采用的是标明各个特征取值的“特征向量"来进行表示，根据线性代数的知识可知，有向量便会有向量所在的空间，因此称表示样本的特征向量所在的空间为样本空间，通常用花式大写的x表示；例1就是分类型，把瓜分为好瓜坏瓜；标记通常也看做样本的一部分，如例1，如果它打开是个好瓜，那“好”本身也是对瓜的描述；
2025-02-10 21:47:55
689
原创 最小生成树：克鲁斯卡尔与普利姆
普利姆每次选取不在MST（最小生成树）中的点，直到图中所有点都在MST中，但它比较贪，所以选的点是离MST距离最近的点；由于选的是不在MST中的点，所以肯定不会有环。
2024-12-19 13:01:17
342
原创 图是否有环的判定
首先明确三个概念，未访问的节点记为白节点，正在访问但没访问完（说白了，就是一条路没走到头还没退递归栈）的为灰节点，已经访问完的退出递归栈的为黑节点。有了这个概念，思路就很简单了，如果访问过程中遇到了灰节点说明指向祖先了，则存在环，不明白的动手画一画，或者等过两天我的修改。至于邻接矩阵的，可以选择转化为邻接表；连通分量不为1，拓扑排序（有向图）都可以判断，日后先下整理。
2024-12-18 14:45:55
112
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人