<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[yaokun2012的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/yaokun2012</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; yaokun2012]]></copyright><item><title><![CDATA[Tensorflow中高维矩阵的乘法运算tf.matmul(tf.linalg.matmul)详悉]]></title><link>https://blog.youkuaiyun.com/yaokun2012/article/details/140700812</link><guid>https://blog.youkuaiyun.com/yaokun2012/article/details/140700812</guid><author>yaokun2012</author><pubDate>Thu, 25 Jul 2024 22:30:43 +0800</pubDate><description><![CDATA[在tensorflow框架下，经常会用到矩阵的乘法运算，特别是高（多）维的矩阵运算，在这些矩阵运算时，经常使用到其中的tf.matmul或tf.linalg.matmul等函数。但高维矩阵在内部怎么运算的？其内部的参数是怎么实现的在tensorflow给出的介绍仍然存在表达不明的问题，所以在此作进一步的阐释。声明：本博客里的数组乘法运算是指，不是对应元素相乘。所述高维代表矩阵的维度3维。]]></description><category></category></item><item><title><![CDATA[拉格朗日对偶性问题的一些见解]]></title><link>https://blog.youkuaiyun.com/yaokun2012/article/details/89155975</link><guid>https://blog.youkuaiyun.com/yaokun2012/article/details/89155975</guid><author>yaokun2012</author><pubDate>Tue, 09 Apr 2019 22:02:33 +0800</pubDate><description><![CDATA[李航《统计学习方法》中附录C中给出了拉格朗日对偶性的推导，在这里再重新捋一下其概念。

应用拉格朗日对偶性的目的：将原始问题转换为对偶问题，通过求解对偶问题获得原始问题的解。

在这里，我们首先面临的一个问题：1.什么是对偶问题？2. 怎么将原始问题转换为对偶问题？

书中并不是上来就开始讲解怎么去转换的，而是首先将原始问题转换为拉格朗日极大值极小值问题。

即，假设是定义在上的连续可微函数，考虑...]]></description><category></category></item><item><title><![CDATA[利用python对数据三取中的一种简单实现方法]]></title><link>https://blog.youkuaiyun.com/yaokun2012/article/details/88841597</link><guid>https://blog.youkuaiyun.com/yaokun2012/article/details/88841597</guid><author>yaokun2012</author><pubDate>Wed, 27 Mar 2019 12:26:52 +0800</pubDate><description><![CDATA[工业设备中经常出现一个量有三个值，选择取中的办法确保安全。在数据处理上，可以利用一种简单的方法实现中值的选取：

在DataFrame结构的数据下，通过最大值，最小值的方法得出中值，需要注意按行还是按列选择。命令格式如下：


#三取中
#看准几个方括号
data['主汽压力_max_1'] = data[['主汽压力1', '主汽压力2']].max(axis=1)
data['主汽压力'] =...]]></description><category></category></item><item><title><![CDATA[python的scipy库安装成功，导入scipy或其函数时却报错的问题]]></title><link>https://blog.youkuaiyun.com/yaokun2012/article/details/88831940</link><guid>https://blog.youkuaiyun.com/yaokun2012/article/details/88831940</guid><author>yaokun2012</author><pubDate>Tue, 26 Mar 2019 22:28:01 +0800</pubDate><description><![CDATA[基于anaconda软件自动安装的python，scipy。使用时在导入函数时报错：如想要导入integrate函数，输入命令：


from scipy.integrate import quad

结果报错，提示：


ImportError: DLL load failed: 找不到指定的模块。

在网上查资料，大概说是要先安装numpy+mkl（注意，不是numpy），需要到相应网站下载该...]]></description><category></category></item><item><title><![CDATA[关于最大熵模型的一些见解]]></title><link>https://blog.youkuaiyun.com/yaokun2012/article/details/82219348</link><guid>https://blog.youkuaiyun.com/yaokun2012/article/details/82219348</guid><author>yaokun2012</author><pubDate>Thu, 30 Aug 2018 22:27:49 +0800</pubDate><description><![CDATA[1. 前言

本文主要涉及最大熵模型中的一些推导，旨在理顺内部之间的逻辑关系

求解目的：获取最好的模型

2. 最大熵原理

最大熵原理是概率模型学习的一个准则，最大熵原理认为，学校概率模型时，在所有可能的概率模型中，熵最大的模型是最好的模型。最大熵原理任务要选择的概率模型首先必须满足已有的事实，即约束条件。在没有更多信息的情况下，那些不确定的部分都是等可能的。最大熵原理通过熵的最大化来表示等可...]]></description><category></category></item><item><title><![CDATA[信息增益算法]]></title><link>https://blog.youkuaiyun.com/yaokun2012/article/details/81987009</link><guid>https://blog.youkuaiyun.com/yaokun2012/article/details/81987009</guid><author>yaokun2012</author><pubDate>Thu, 23 Aug 2018 20:20:54 +0800</pubDate><description><![CDATA[信息增益算法的步骤：


	输入：训练数据集D和特征A；
	
	
	依据数据集中的类别计算经验熵:

	
		由训练数据集获取各类别数量；
		
		
		根据类别计算相应的概率分布；
		
	
	
	计算经验条件熵(或者说)：

	确定特征A；
		根据特征A对数据集划分获取子集，计算子集的经验熵并求和；
		对子集分类（此处分类是按类别分，不是按特征分），获取各类对应的集合；
			由上一步的...]]></description><category></category></item><item><title><![CDATA[经验条件熵公式的推导]]></title><link>https://blog.youkuaiyun.com/yaokun2012/article/details/81979314</link><guid>https://blog.youkuaiyun.com/yaokun2012/article/details/81979314</guid><author>yaokun2012</author><pubDate>Thu, 23 Aug 2018 18:01:07 +0800</pubDate><description><![CDATA[李航《统计学习方法》中，P62页公式5.8：

计算特征A对数据集D的经验条件熵:



此处，给出条件熵（）的定义:X给定条件下Y的条件概率分布的熵对X的数学期望：



在书中P61页下方给出了各类的定义：

设训练数据集为D，表示样本容量，即样本个数，设有K个类，。为属于类的样本个数，，设特征A有n个不同 的取值{},根据特征A的取值将D划分为n个子集，为的样本个数，，记子集中属于类的样本的...]]></description><category></category></item><item><title><![CDATA[对朴素贝叶斯分类器的理解]]></title><link>https://blog.youkuaiyun.com/yaokun2012/article/details/81914215</link><guid>https://blog.youkuaiyun.com/yaokun2012/article/details/81914215</guid><author>yaokun2012</author><pubDate>Tue, 21 Aug 2018 23:08:45 +0800</pubDate><description><![CDATA[（逻辑有点乱，待修改）

由李航《统计学习方法》中的第四章可得朴素贝叶斯分类器：


 

式中，连乘符号是针对j的，j表示中的第j个特征，不考虑连乘符号后的项，仅中项可能的取值数量为K（）。也就是选最大值是从K个值选（先暂且这么认为）。

对于连乘项，如果采用极大似然估计（其实采用贝叶斯估计也是一样的），对，则有：



对每个值，取值唯一，共有K种取值可能。

而条件概率的极大似然估计是：

...]]></description><category></category></item><item><title><![CDATA[对朴素贝叶斯法后验概率最大化含义的一些思考]]></title><link>https://blog.youkuaiyun.com/yaokun2012/article/details/81913129</link><guid>https://blog.youkuaiyun.com/yaokun2012/article/details/81913129</guid><author>yaokun2012</author><pubDate>Tue, 21 Aug 2018 20:23:08 +0800</pubDate><description><![CDATA[看李航的《统计学习方法》朴素贝叶斯章节中4.1.2后验概率对大化的含义时，对这里的理解有些困扰，参考另一篇博客在这里写下自己对这一个问题的个人见解，烦请指正。

                                           

如上图所示，书中从期望风险函数直接跳到条件取值期望，这里的推导过程如下：



在这里，设:



那么上式可以改为:



对于上式的期望风险求最...]]></description><category></category></item></channel></rss>