耿国锋的博客

推导出：Γ函数是阶乘在实数上的推广

转载请声明出处http://blog.youkuaiyun.com/zhongkejingwang/article/details/43053513     SVD不仅是一个数学问题，在工程应用中的很多地方都有它的身影，比如前面讲的PCA，掌握了SVD原理后再去看PCA那是相当简单的，在推荐系统方面，SVD更是名声大噪，将它应用于推荐系统的是Netflix大奖的获得者Koren，可以在Google上找到他

http://blog.codinglabs.org/articles/pca-tutorial.html这篇博文非常详细的介绍了PCA算法的过程，但对数学基础较薄弱人来说，看的有些费劲。本篇博文从一个刚接触PCA算法小白的角度学习PCA算法，希望能帮助到你。整体认知：PCA算法就是一个降维算法，比如10维数据降到7维数据，2维数据降到1维数据。通过降维，方便数据计算。在图像上更有直观

一，对随机森林的重新思考   随机森林的每个决策树由随机样本数，随机样本特征，通过信息熵的度量来确定，可以说各个决策树之间是相互独立的，每个树只是在某个分类方向上具有优势（弱分类器），将具有优势的这些树组成森林，即可生成随机森林，从而达到分类的目的。但是如果我想对随机森林进一步提升准确率，应该采取什么策略呢？有以下2个方向：   1，决策树。    假定当前得到m-1颗决策树，可以根据

在求取有约束条件的优化问题时，拉格朗日乘子法（Lagrange Multiplier) 和KKT条件是非常重要的两个求取方法，对于等式约束的优化问题，可以应用拉格朗日乘子法去求取最优值；如果含有不等式约束，可以应用KKT条件去求取。当然，这两个方法求得的结果只是必要条件，只有当是凸函数的情况下，才能保证是充分必要条件。KKT条件是拉格朗日乘子法的泛化。之前学习的时候，只知道直接应用两个方法，但是却

一  在求取有约束条件的优化问题时，拉格朗日乘子法（Lagrange Multiplier) 和KKT条件是非常重要的两个求取方法，对于等式约束的优化问题，可以应用拉格朗日乘子法去求取最优值；如果含有不等式约束，可以应用KKT条件去求取。当然，这两个方法求得的结果只是必要条件，只有当是凸函数的情况下，才能保证是充分必要条件。KKT条件是拉格朗日乘子法的泛化。之前学习的时候，只知道直接应

熵与随机森林一，熵熵是描述系统混乱的量，熵越大说明系统越混乱，携带的信息就越少，熵越小说明系统越有序，携带的信息越多。你要现确定系统，再来描述。你的例子，可以这样理解，同样大的硬盘，熵越大什么坏了的硬盘越多，他可以承载的信息越少，熵越小意味着坏掉的硬盘越少，可以承载的信息量越大。