耿国锋的博客

一、前言外卖业务的快速发展对系统稳定性提出了更高的要求，每一次订单量大盘的异常波动，都需要做出及时的应对，以保证系统的整体稳定性。如何做出较为准确的波动预警，显得尤为重要。从时间上看，外卖订单量时间序列有两个明显的特征（如下图所示）：周期性。每天订单量的变化趋势都大致相同，午高峰和晚高峰订单量集中。实时性。当天的订单量可能会受天气等因素影响，呈现整体的上涨或下降。

依据之前博文中的神经网络理论做个简单的例子，对神经网络前向传播与反向传播算法有个深入理解，同时对神经网络计算细节有个清晰认识。题目：上图的样本案例分3类，利用神经网络知识推算出一个未知坐标属于哪类这里我准备用3层结构的神经网络层一，nn_params：初始化参数值。    首先进行参数随机初始化    eps = 0.0001 ;   Theta1=

对于非线性逻辑回归问题，你选择的函数可能是多项式函数，指数函数，或幂函数等等。本篇博文主要阐述非线性逻辑回归问题的处理过程，并使用正则化技术。详细理论请参阅我的机器学习理论系列博文。  如图所示，对上图进行逻辑回归处理，很明显选择多项式函数是个不错的主意，当然对于不同分布图要选择合适的函数。本列子中选择H(x)=Θ0+Θ1*X1+Θ2*X2^2+Θ3*X3在SRC.txt文件中

根据之前博文中k-均值算法表述，编写代码，对k-均值算法有个清晰认识问题：将图中数据分成3组。下图是整个k-均值算法的流程  1，首先选择 K 个随机的点，称为聚类中心（cluster centroids）；  2，对于数据集中的每一个数据，按照距离 K 个中心点的距离，将其与距离最近的中心点关联起来，与同一个中心点关联的所有点聚成一类。  3，

在读这篇博文之前，你应该认真读过我之前的逻辑回归理论，里面涉及大量的推导你应该也明白，本篇博文着重将理论结合实际案例，将逻辑回归过程完全呈现出来，并得到最优解，并能根据最优解预测结果。  因为涉及到公司业务问题，我不能将实际案例拿出来讲，但我将根据实际案例抽象出核心算法案例，如下图  图中有7个坐标（x1,x2），当然在实际中通常是（x1,x2,x3 ......xn），不过没关系