- 博客(9)
- 资源 (3)
- 收藏
- 关注
RSS订阅原创 Windows下命令行安装Pytorch(GPU)
对于一个小白来说，找了好多博客，都是告诉你去下载cuda,cudnn,然后安装配置各种环境，十分麻烦。最近才发现了最简单的安装方法，只需要在cmd中输入简单的几行命令即可。注意：以下命令行要在对应的python环境里输入！1 首先建立国内镜像通道只需要在cmd中输入如下几行命令conda config --add channels http://mirror.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/conda config --a.
2021-10-15 10:07:40
3325
原创 潜在语义分析学习笔记
潜在语义分析是一种无监督学习方法，主要用于文本的话题分析，其特点是通过矩阵分解发现文本与单词之间的基于话题的语义关系。1 单词向量空间2 话题向量空间
2021-02-11 20:32:16
301
1
原创 主成分分析学习笔记
1 主成分分析的应用主要用在数据降维、高维数据的探索与可视化、数据压缩、数据预处理。PCA的本质是找到某一个投影方向，使得数据在投影方向的方差最大。2 基于协方差矩阵的特征值分解(1) 对特征值进行归一化设第j个特征的均值为，标准差为，则第j个特征标准化公式为，注意是列向量(2) 计算协方差矩阵(3) 计算协方差矩阵的特征值和特征向量，可以用numpy库函数直接求解eigenvalues, eigenvectors = np.linalg.eig(sigma) (4
2021-02-06 15:17:25
172
原创 K均值聚类
1. K均值聚类采用欧式距离做为样本间的距离2. 损失函数为样本与其类的中心之间的距离的总和为损失函数，即3. 算法流程：4 特点：事先指定k个类别 以欧氏距离作为划分依据 以样本和其所属类的中心之间的距离总和为最优化的目标函数 迭代算法，并不能保证得到全局最优...
2021-01-31 14:35:26
282
原创 EM算法
1三硬币模型这里解释一下，z就是第一步硬币A掷出的结果，但是从最终观测结果来看，是看不到的，所以叫隐变量。以上模型就是告诉我们，这种带有隐变量的模型是无法求解的。还有一个重点，求的是什么？求得是模型参数θ！因此需要用迭代的方法，就是EM算法！2 EM算法下面这句话是重点！！！面试解答要求说出下面这句话说实话，我只能记住这个流程，至于推导有点看不懂。3 高斯混合模型4 总结1 EM模型是用来求解含有隐变量的模型参数，求解方式是通过迭代观测数据的极
2021-01-21 20:33:30
157
原创 提升方法学习笔记
Adaboost算法AdaBoost 用分错的数据样本来识别问题，通过调整分错的数据样本的权重来改进模型。1.什么是偏差和方差偏差指的是预测值的期望与真实值之间的差距，偏差越大， 预测值越偏离真实数据的标签。方差描述的是预测值的变化范围，离散程度，也就是离预测值期望的距离，方差越大，数据的分布越分散。2.为什么说 Bagging 可以减少弱分类器的方差，而 Boosting 可以减少弱分类器的偏差Bagging1.Bagging 算法对数据重采样，然后在每个样本集训练出来的模型上取平
2021-01-17 08:44:19
211
1
原创 KNN学习笔记
K近邻思想：物以类聚K近邻没有显式的训练过程距离度量：（1）欧式距离：两点之间直线（2）曼哈顿距离：城市街区距离（3）切比雪夫距离：棋盘距离分类方式：多数表决规则K值的选择选择较小的k值：预测结果对邻近的实例点非常敏感。选择较大的k值：对于输入实例较远的（已经不太相似）的样本点也会对预测起作用，使预测发生错误。实际：先取一个较小的K值，再通过交叉验证法来选取最有的K值...
2021-01-10 20:56:02
78
原创 朴素贝叶斯学习笔记
朴素贝叶斯的朴素是指：假设数据集样本中各个特征相互独立，这是一个很强的假设。首先朴素贝叶斯的目的是在已知一个样本x的情况下(x有n个特征，即x是n维变量)，求其属于类y(假设y有m类)中的哪一类。直接拿下面例子写总结吧即已知实例变量x的情况下，求其y属于哪一类。用概率表示就是，求哪一个Ck可以让这个概率取最大值,那么y就属于这一类。计算上面的概率可以用贝叶斯公式展开：,下面分母式是常数，因此我们的目标就变成了求Ck取哪个值，能让分子概率最大，概率最大的那个就认为是当前X=x的样本下，
2021-01-10 17:02:19
206
原创 决策树学习笔记
决策树决策树是一种有监督机器学习方法。信息熵熵(entropy)是表示随机变量不确定性的度量。设X是一个取有限个值的离散随机变量，其概率分布为:,则其随机变量的信息熵为:熵越大，则随机变量的不确定性越大。决策树的目的就是让信息熵越来越小，分类则越来越明确。信息增益信息增益表示得知特征A的信息而使得总样本D的信息的不确定性减少的程度。信息增益的表达式为其中，,为样本被标签为某一类的数量，D为样本总数量。强调：是以标签分类得到的信息熵。,为以特征A为分类标
2021-01-09 14:18:31
101
mingw64-windows.zip
2020-04-26
cmake-3.17.1-win64-x64(zip&msi).7z
2020-04-25
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人