张张的专栏

FCM的原理在之前的博文中写过。现在按照它的算法流程，用MATLAB实现。共包括三个函数（myfcm.m, mydist.m, myplot.m)测试数据集用的是鸢尾花（iris)数据集。下载地址  http://download.youkuaiyun.com/detail/u013657981/92411211. myfcm.mfunction [U, V,objFcn] = myfcm

本文将从两个方面阐述神经网络中的softmax是如何更新参数的。 第一部分：BP算法怎么更新参数？缺点是什么？ 第二部分：用了softmax怎么更新参数？一、BP算法用二次经验误差作为代价函数我们已经知道，BP算法在前向传播中，在每一个功能节点上先是线性组合算得一个状态值，然后用Sigmoid转换成一个激活值，最后一层中把这个激活值o跟真是标签做差求平方，得到某个样本的二次经验误差，作为向前矫正

Back Propagation后向传播算法 Python实现后向传播算法用来自动调节神经网络的参数，本次实现代码完全参照Back Propagation的讲解 选取sklearn.datasets的moon数据集的前250个样本进行训练，迭代10000次之后可以得到训练准确率达到87.6%

一、理解卷积 首先，卷积是一种数学运算，从二维离散的卷积操作来理解这种运算的意义。摆出二维离散卷积公式： C(x,y)表示一个二维矩阵的函数值，C(x-s,y-t)是距离中心点(x,y)的函数值，F(s,t)是一个加权矩阵，对于中心点周围所有的点乘以一个加权值然后求和，就是该点新的函数值。举个例子： 要求C(2, 2)新的值，对于F(s, t)函数，, 所以C(2,2)=F(-1,-1)C

1. FCM初识        FCM的C跟K-Means的K是一样的，指的是聚类的数目。F—Fuzzy是模糊的意思，指的是”一个事件发生的程度“。用在我们的聚类上面，第一条记录以怎样的概率或者说程度属于第一类，又以怎样的程度属于第二类等等。跟传统的聚类有所区别的地方就是，他改变了分类的时候非此即彼的一个现象，一个对象可以以不同的程度同时属于多个类。这个其实是跟我们的现实世界是更契合的。比如说

首先，机器学习的一个重要假设就是样本的分布和总体的分布是一致的。多分类器进行组合的目的是为了将弱分类器（单个分类器）集成为强分类器，提升对未知样本的分类准确率，（实验数据。。。）Bootstraping        名字来源于“Pull up your own bootstraps"，即”通过拉靴子让自己上升“，本意是”不可能发生的事情“，现在的意思变成”通过自己的努力，让事

首先，我们用一个例子来计算一下。                                                                                                                                                    上述数据集有四个属性，属性集合A={ 天气，温度，湿

接《分类器组合方法Bootstrap, Boosting, Bagging, 随机森林（一） 》AdaboostAdaboost给每个基分类器设置了一个重要性参数α，基分类器的重要性参数α是训练误差的的函数，错误率越接近于1，则α有一个很大的负值，如果错误率接近于0，则有一个很大的正值。接下来，用α更新训练样本的权值。

参考教程点击打开链接

在机器学习的相关研究中，如果是有监督的算法，需要将原始数据集分为训练集和测试集两个集合。训练集中的数据带有标签，用这些数据来训练出一个模型，告诉机器什么样的数据可以分成哪一类，然后用这个模型来预测测试集中数据的标签。然后用预测得到的标签跟真实的标签作比对，就可以得到这个模型的预测准确率，其实是考察这个模型的generalization ability（泛化能力），即，从训练集中总结出来的规律能不能

写这篇博文主要是想对自己近期学到的机器学习知识做一个总结，同时也谈一谈我对人工智能的理解。一、我对人工智能的理解首先谈一谈我对人工智能的理解。人工智能企图理解智能的本质，并让机器也拥有类似于人的智能。比如，人从出生到慢慢长大，能听懂别人的话，能辨认周围的物体，并且能模仿一些举动，所以人是拥有智能的。但是机器不行，一开始机器可以完成一些人类已经明确告诉它怎么去完成的任务（比如人编写程序告诉计算机加法的