- 博客(132)
- 资源 (7)
- 收藏
- 关注
RSS订阅原创 机器学习（决策树四）——简述 剪枝
随着决策树深度的增大，模型效果会变化，但增大太多就会导致过拟合的情况，对于过拟合，常见的有两咱优化方式：剪枝优化 和 随机森林。这篇博客简要介绍剪枝优化，随机森林在后续的博客中再做介绍。
2020-05-29 18:18:11
2204
1
原创 机器学习（决策树三）——简述 ID3 C4.5 CART
决策树常见的算法有ID3 C4.5 CART，这里只简述一下，不做详细介绍。因为了解了决策树的概念，再看这几个算法，特别简单。重点介绍三者的关系。
2020-04-23 20:56:53
4749
原创 机器学习（决策树二）——简述 决策树
了解了信息熵，再看决策树，会很容易的。通过上篇博客，我们知道：信息熵被认为是一个系统有序程度的度量，一个系统越是有序，信息熵就越低，一个系统越是混乱，信息熵就越高。决策树的构造过程就是，如何划分，能让系统变得更加有序。
2020-04-20 18:44:54
4903
原创 机器学习（决策树一）——最直白的话来说信息熵
接下来几篇博客介绍决策树，并且尽量用最直白的话来讲解。本篇博客介绍决策树中比较重要的一个概念——信息熵。
2020-04-19 19:51:41
6909
原创 机器学习（KNN二）——案例：鸢尾花数据分类
这里使用比较经典的鸢尾花数据，来做KNN分类。API为最基本的KNeighborsClassifier。
2020-04-19 17:19:10
5418
2
原创 机器学习（聚类十一）——不同聚类算法在不同数据分布情况下的聚类效果
至此聚类相关的内容告一段落，前面十篇博客介绍了常见的几种聚类算法，也加入了一些代码实现。这篇博客来一个汇总的实例，分别创建圆形数据、月牙形数据、聚团数据以及随机数据，并测试不同数据在各种不同聚类算法中的聚类效果以及消耗时间。
2020-04-15 18:50:52
3466
原创 机器学习（聚类十）——谱聚类及代码实现
谱聚类是基于谱图理论基础上的一种聚类方法，与传统的聚类方法相比：具有在任意形状的样本空间上聚类并且收敛于全局最优解的优点。（但效率不高，实际工作中用的比较少）
2020-04-15 14:51:24
9776
1
原创 机器学习（聚类九）——密度聚类(DBSCAN)算法案例
这篇博客使用scikit的相关API创建模拟数据，然后使用DBSCAN密度聚类算法进行数据聚类操作，并比较DBSCAN算法在不同参数情况下的密度聚类效果。
2020-04-14 20:51:19
3675
原创 机器学习（聚类八）——密度聚类
这篇博客介绍另一种类型的聚类算法——密度聚类。密度聚类方法的指导思想：只要样本点的密度大于某个阈值，则将该样本添加到最近的簇中。这类算法可以克服基于距离的算法只能发现凸聚类的缺点，可以发现任意形状的聚类，而且对噪声数据不敏感。但是计算复杂度高，计算量大。常用算法有：DBSCAN 和 MDCA。
2020-04-14 14:25:42
4591
原创 机器学习（聚类七）——层次聚类的优化算法
上篇博客介绍的层次聚类，尤其是AGNES这一传统的层次聚类算法。这篇博客介绍层次聚类的优化算法：BIRCH算法(平衡迭代削减聚类法)，以及对BIRCH优化的CURE算法(使用代表点的聚类法)。
2020-04-13 20:34:03
6620
1
原创 机器学习（聚类六）——层次聚类
这篇博客开始另外一种聚类——层次聚类，层次聚类和K-Means是同一类的，属于划分聚类。层次聚类方法对给定的数据集进行层次的分解，直到满足某种条件为止.
2020-04-13 16:28:34
5566
1
原创 机器学习（聚类四）——K-Means的优化算法
K-Means算法是最基本的一种聚类算法，也会有一些问题，前面的博客《机器学习（聚类二）——K-Means》中有介绍，这里就不详细说了。本篇文章介绍一下典型的优化算法。
2020-03-20 09:24:59
7064
1
原创 机器学习（聚类三）——K-Means 代码实现
我们自己产生模拟数据，看一下 k-means 运行情况，主要目的是熟悉一下API接口，并看一下不同的数据分布对 K-Means 会产生什么样的影响。
2020-03-17 15:38:18
4472
原创 机器学习（聚类二）——K-Means
K-means算法，也称为K-平均或者K-均值，是一种使用广泛的最基础的聚类算法，一般作为掌握聚类算法的第一个算法。
2020-03-14 14:20:18
4247
原创 机器学习（聚类一）——概述
从这篇博客开始，介绍一下无监督学习中最典型的代表——聚类。原本是想讲“分类”这一机器学习最重量级的部分，但内容比较多，所以先讲内容比较少的“聚类”。再介绍具体的聚类算法之前，先简要的说说聚类的概念，以及一些知识点的补充。
2020-03-11 10:36:15
3238
原创 机器学习（回归十）——阶段性总结
现在对回归做一下阶段性总结。回归算法，总的来说就是这些，当然还有一些变种，基本上逃不过线性回归和逻辑回归这两种。其实回归家族中还有比较有名的树回归，这里就先不介绍，因为会涉及决策树相关的内容，所以后面讲到决策树时再做介绍。（其实内容特别简单）
2020-02-21 00:39:44
6866
1
原创 机器学习（回归九）——SoftMax回归-代码实现
上篇博客说的是SoftMax回归的基本内容，包括公式推导。这篇博客基于葡萄酒数据进行葡萄酒质量预测模型构建，使用Softmax算法构建模型，并获取Softmax算法构建的模型效果(注意：分成11类)
2020-02-11 19:56:55
9182
1
原创 机器学习（回归八）——Softmax回归
前面博客说的是logistic逻辑回归，这篇博客则是Softmax回归，可以说Softmax回归是logistic回归的一般化（因为logistic是二分类的），适用于K分类的问题。
2020-02-08 23:41:49
4641
原创 机器学习（回归七）——逻辑回归-代码实现
上篇博客说的是逻辑回归的基本内容，包括公式推导，总体来说，和普通线性回归差不多。这篇博客使用逻辑回归基于病理数据进行乳腺癌预测。
2020-02-05 00:01:01
6335
原创 机器学习（回归六）——逻辑回归
逻辑回归本质是分类问题，而且是二分类问题，不属于回归，为何把逻辑回归放到回归系统博客中呢？我们可以这样理解，逻辑回归就是用回归的办法来做分类。它是在线性回归的基础上，通过Sigmoid函数进行了非线性转换，从而具有更强的拟合能力。
2020-02-01 21:25:10
7767
1
原创 机器学习（优化算法三）——坐标轴下降
概述Lasso回归采用的是坐标轴下降法(Coordinate Descent， CD)是一种迭代法，通过启发式的方法一步步的迭代求解函数的最小值，和梯度下降法(GD)不同的是，坐标轴下降法是沿着坐标轴的方向去下降，而不是采用梯度的负方向下降。示意图大致如下：坐标轴下降法利用EM算法的思想，在参数更新过程中，每次均先固定 m-1 个参数值，求解剩下的一个参数的局部最优解；然后进行迭代式的更新...
2020-01-31 11:03:02
6332
2
原创 机器学习（优化算法二）——梯度下降-代码实现
上篇博客说的是梯度下降法，主要讲的原理及公式推导，这篇博客来进行代码实现。包括手动模拟梯度下降的方式来进行求解，以及运用自己实现的梯度下降来完成一个线性回归的例子。
2020-01-30 17:19:30
5717
1
原创 机器学习（优化算法一）——梯度下降
像普通线性回归、Ridge回归，通过求导，也就是最小二乘法就可以求解，但Lasso不可以，Lasso通常采用的是坐标轴下降法。除了最小二乘法，还有另外一种方法，也是最常用的：梯度下降法。本文最后，也简要的介绍了一下牛顿法和拟牛顿法。
2020-01-29 16:30:06
5189
原创 机器学习（回归五）——线性回归-局部加权线性回归
前面博客有讲到，样本如果不是线性的可以通过多项式扩展，映射到多维空间来拟合。如此之外，还可以做一个局部加权线性回归（Locally Weighted Linear Regression，LWLR）。...
2020-01-27 21:01:44
9504
原创 机器学习（回归四）——线性回归-正则化
普通的线性回归往往拟合效果不好，比如图形是曲线的形式，可以做一个多项式扩展，变到高维空间。也可以说多项式扩展能解决线性回归模型欠拟合的情况。但多项式的阶数如果太高，就会导致过拟合的情况，也就是训练集上特别好，测试集不太理想。对于过拟合可以使用L1或L2来解决，也就是在J(θ) 的基础上把模型的复杂度加上，如岭回归。
2019-12-26 15:09:16
7355
原创 机器学习（回归三）——线性回归-多项式扩展
前两篇博客介绍的是线性回归，线性回归的一个问题是有可能出现欠拟合现象，解决欠拟合其中的一个方法是本文的多项式扩展，还有一个是后面的博客会介绍的局部加权线性回归（Locally Weighted Linear Regression，LWLR）。
2019-12-20 17:09:48
4798
1
原创 机器学习（回归二）——线性回归-最小二乘-代码实现
本篇内容本来想在写在上篇博客中的，那样篇幅过长，就单独提出来了。本篇文章采用两种方式实现线性回归，一种是使用scikit-learn。而通过上篇博客，我们已经知道了最小二乘法求解线性回归参数，所以完全可以自己手动实现。
2019-12-07 00:33:33
12360
5
原创 机器学习（回归一）——线性回归-最小二乘
从这篇博客开始将介绍机器学习中的比较重要的内容——回归，期间会穿插着涉及到的知识点，如正则化。本篇是回归大家族中最简单的一种——线性回归，采用最小二乘法来求得最优解。
2019-12-06 16:37:23
17638
原创 机器学习（概述二）——开发流程
在具体的机器学习算法之前，先来从宏观上介绍一下机器学习的开发流程，这样能对机器学习有个整体认识。总的来说，分为数据收集、数据处理、模型构建、模型测试评估、投入使用（模型部署与整合）、迭代优化等。对于数据处理部分也叫特征工程，有的时候会分成数据清洗和特征工程。
2019-06-05 02:12:00
13834
1
原创 机器学习（概述一）——定义
机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。
2019-05-28 16:18:17
16213
原创 RocketMQ（八）——Pull Or Push
在前面的博客已经提到，在RocketMQ中Consumer分为2类：Push Consumer、Pull Consumer。以前的例子都是Push Consumer，接下来，介绍下Pull Consumer。
2018-04-22 12:02:09
5063
1
原创 RocketMQ（七）——Transaction Message(事务消息)
本文介绍RocketMQ提供的第三种类型的消息——Transaction Message(事务消息)。
2018-04-22 12:01:49
6036
2
原创 RocketMQ（六）——Order Message(顺序消息)
RocketMQ提供了3种模式的Producer：NormalProducer（普通）、OrderProducer（顺序）、TransactionProducer（事务），对应的分别是普通消息、顺序消息和事务消息。在前面的博客当中，涉及的都是NormalProducer，调用传统的send方法，消息是无序的。接下来，看看顺序消费。
2018-04-22 12:00:58
8858
4
原创 RocketMQ（五）——消费模式
RocketMQ的消费方式有2种，在默认情况下，就是集群消费，也就是消息的负载均衡消费。另一种消费模式，是广播消费。广播消费，类似于ActiveMQ中的发布订阅模式，消息会发给Consume Group中的每一个消费者进行消费。
2017-08-26 18:28:49
27988
4
原创 RocketMQ（四）——消息重试
对于MQ，可能存在各种异常情况，导致消息无法最终被Consumer消费掉，因此就有了消息失败重试机制。很显示，消息重试分为2种：Producer端重试和Consumer端重试。
2017-08-17 16:11:39
25297
3
iris.data.zip
2020-04-19
信贷数据_crx.data.zip
2020-02-21
winequality.zip
2020-02-09
breast-cancer-wisconsin.zip
2020-01-30
household_power_consumption_1000.zip
2019-12-06
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人