统计学习

逻辑回归（Logistic Regression）通俗解释

从大的类别上来说，逻辑回归是一种有监督的统计学习方法，主要
AI视觉网奇·2022-11-30 11:22

深度学习从入门到精通——统计学习方法概论

统计学习方法概论文章目录统计学习方法概论前言章节目录导读实现统计学习方法的步骤统计学习方法三要素模型模型是什么?
小陈phd·2022-11-30 10:52

统计学习方法——4.决策树——XGBoost、LightGBM

一、介绍1.XGBoost（极限梯度提升树，eXtremeGradientBoosting）：（1）XGB目标函数，一棵树的生成XGB目标函数：XGB目标函数=训练损失+正则项（树的复杂度）XGB目标函数=训练损失+正则项（树的复杂度）XGB目标函数=训练损失+正则项（树的复杂度）训练损失用于减小偏差，一般用平方损失函数或逻辑回归损失函数。正则项为全部k棵树的复杂度进行求和作为正则化项，防止模型过
要坚持写博客呀·2022-11-30 08:20

1.1 统计学习方法的定义与分类

统计学习方法的定义与分类统计学习的概念统计学习的定义统计学习运用到的领域统计学习的步骤统计学习的分类统计学习的概念统计学习的定义统计学习(StatisticalMachineLearning)是关于计算机基于数据构建概率统计模型并运用模型对数据进行预测与分析的一门学科
是我樂樂呀·2022-11-30 08:15

kmeans算法_实战 | KMeans 聚类算法

常见的机器学习算法：监督学习算法：逻辑回归，线性回归，决策树，朴素贝叶斯，K近邻，支持向量机，集成算法Adaboost等无监督算法：聚类，降维，关联规则,PageRank等为了详细的理解这些原理，曾经看过西瓜书，统计学习方法
weixin_39904268·2022-11-30 08:00

kmeans算法_【白话机器学习】算法理论+实战之KMeans聚类算法

常见的机器学习算法：监督学习算法：逻辑回归，线性回归，决策树，朴素贝叶斯，K近邻，支持向量机，集成算法Adaboost等无监督算法：聚类，降维，关联规则,PageRank等为了详细的理解这些原理，曾经看过西瓜书，统计学习方法
weixin_39593469·2022-11-30 08:30

kmeans算法_KMeans聚类算法详解

常见的机器学习算法：监督学习算法：逻辑回归，线性回归，决策树，朴素贝叶斯，K近邻，支持向量机，集成算法Adaboost等无监督算法：聚类，降维，关联规则,PageRank等为了详细的理解这些原理，曾经看过西瓜书，统计学习方法
weixin_39824223·2022-11-30 08:30

实战 | K-Means 聚类算法

常见的机器学习算法：监督学习算法：逻辑回归，线性回归，决策树，朴素贝叶斯，K近邻，支持向量机，集成算法Adaboost等无监督算法：聚类，降维，关联规则,PageRank等为了详细的理解这些原理，曾经看过西瓜书，统计学习方法
众生皆苦唯有你最甜·2022-11-30 07:56

统计学习笔记 - KNN原理、python实现

1.KNN实现我的理解就是，找到最接近的K个邻居，根据邻居的类别，确定自己的类别。怎么确定呢？K个邻居进行投票。包括：输入一个新的实例在已知的训练数据集中计算该新的实例与训练数据集中数据点之间的距离按照距离进行排序选择距离最短的也就是最相似的前K个邻居这K个邻居根据自己的类别进行投票，票数最多的类别就是该新的实例的类别。2关于可哈希(hashable)简要的说可哈希的数据类型，即不可变的数据结构(
中杯冰美式·2022-11-30 03:38

统计学习方法 李航 课后习题答案 第二版 机器学习

李航《统计学习方法》课后习题答案（第2版）【李航课后习题解答+书中疑点推导+算法代码实现+可私聊耐心解答(48小时内回复)，包会！！】
#苦行僧·2022-11-29 23:20

SVM原理详解

支持向量机方法是建立在统计学习理论
coder_by·2022-11-29 22:53

机器学习——朴素贝叶斯算法Python实现

简介这里参考《统计学习方法》李航编进行学习总结。详细算法介绍参见书籍，这里只说明关键内容。即条件独立下：p{X=x|Y=y}=p{X1=x1|Y=y}*p{X2=x2|Y=y}*...
Kalankalan·2022-11-29 19:42

通俗易懂机器学习——朴素贝叶斯算法

本文将叙述朴素贝叶斯算法的来龙去脉，从数学推导到计算演练到编程实战文章内容有借鉴网络资料、李航《统计学习方法》、吴军《数学之美》加以整理及补充基础知识补充：1、贝叶斯理论–吴军数学之美http://mindhacks.cn
snanda·2022-11-29 19:41

统计学习方法 第六章 逻辑斯谛回归与最大熵模型读书笔记

第六章逻辑斯谛回归与最大熵模型两者都属于对数线性模型6.1逻辑斯谛回归模型6.1.1逻辑斯谛分布F(x)非减，有界，连续------>F(x)为分布函数f(x)关于x=μ对称，在此处取得最大时1/4γ6.1.2二项逻辑斯谛回归模型将ω和x进行扩充，分别扩充b与1，ω·x+b可以简化成ω·x该模型的输入输出变量间不存在线性关系逻辑回归的输入变量可以是连续变量也可以是离散变量参数估计采用最大似然估计法
辰明Xucy·2022-11-29 17:51

统计学习方法 第五章 决策树 学习笔记

第五章决策树决策树(decisiontree)是一种基本的分类与回归方法。决策树可以认为是if-then规则的集合，也可以认为是定义在特征空间与类空间上的条件分布概率。优点：模型具可读性、分类速度快。学习步骤：特征选择、决策树的生成、决策树的修剪。5.1决策树的模型与学习5.1.1决策树模型5.1.2决策树与if-then规则内部条件------规则叶节点---------结论5.1.3决策树与条
辰明Xucy·2022-11-29 17:21

统计学习方法 第七章支持向量机 读书笔记

文章目录第七章支持向量机三要素模型策略算法为什么叫支持向量机7.1线性可分支持向量机与硬间隔最大化7.1.1线性可分向量机7.1.2函数间隔与几何间隔定义7.1.3间隔最大化算法7.1最大间隔算法7.1.4学习的对偶问题算法7.2线性可分支持向量机学习算法7.2线性支持向量机与软间隔最大化7.2.1线性支持向量机7.2.2原始问题与对偶问题7.2.3合页损失函数7.3非线性支持向量机与核函数7.3
辰明Xucy·2022-11-29 17:51

统计学习方法(第二版)+简博士 读书笔记

文章目录第一章统计学习及监督学习概论统计学习定义特点统计学习方法的步骤统计学习分类统计学习方法的基本分类监督学习(supervisedlearning)定义输入空间、特征空间、输出空间、实例相关表示基本假设目的形式假设空间
辰明Xucy·2022-11-29 17:51

统计学习方法 第三章 k近邻法读书笔记

第三章k近邻法3.1k近邻算法k近邻算法是一种基本的分类与回归算法。k近邻法简单直观：给定一个训练数据集，对于新输入的实例，在训练数据集中找到与该实例最邻近的k个实例，这k个实例多数属于某个类，就把该输入实例分为这个类。算法3.1(k近邻法)当k=1时，为k近邻法的特殊情况，称为最近邻算法。k近邻法没有显示的学习过程。(没办法拿到一个模型拿来计算)3.2k近邻模型实际：k近邻法使用的模型对应于特征
辰明Xucy·2022-11-29 17:51

统计学习方法 第四章 朴素贝叶斯法 学习笔记

文章目录第四章朴素贝叶斯法4.1朴素贝叶斯法的学习与分类4.1.1基本方法4.1.2后验概率最大化的含义4.2朴素贝叶斯法的参数估计4.2.1极大似然估计4.2.2学习与分类算法算法4.1朴素贝叶斯算法4.2.3贝叶斯估计第四章朴素贝叶斯法朴素贝叶斯法是基于贝叶斯定理与特征条件独立假设的分类方法。4.1朴素贝叶斯法的学习与分类4.1.1基本方法因为条件之间可能含有某种关联，比如雨天对应的温度可能会
辰明Xucy·2022-11-29 17:51

统计学习方法读书笔记 第二章 感知机 【自用】

文章目录第二章感知机2.1感知机模型2.2感知机学习策略2.3感知机学习的算法2.3.1感知机学习算法的原始形式2.3.2算法的收敛性2.3.3感知机学习算法的对偶形式第二章感知机2.1感知机模型感知机是一种线性分类模型，属于判别模型假设空间：超平面：指比他所处环境空间小一维的子空间2.2感知机学习策略感知机学习目标：求得一个能够将训练集正实例点和负实例点完全正确分开的分离超平面。(即确定参数ω，
辰明Xucy·2022-11-29 17:20

《统计学习方法（第2版）》李航 第19章 马尔可夫蒙特卡罗法 MCMC 思维导图笔记 及 课后全部习题答案（步骤详细， 包含Metropolis算法，吉布斯算法代码实现）第十九章

思维导图：19.1用蒙特卡罗积分法求：∫−∞∞x2exp⁡(−x22)dx\int_{-\infty}^{\infty}x^{2}\exp\left(-\frac{x^{2}}{2}\right)dx∫−∞∞x2exp(−2x2)dx首先将被积函数分解为分布函数与待求期望的函数的乘积：∫−∞∞x2exp⁡(−x22)dx=2π∫−∞∞x212πexp⁡(−x22)dx=2πE[x2]\begin{
ML--小小白·2022-11-29 14:50

李航老师《统计学习方法》第二版第十九章马尔可夫链蒙特卡洛方法课后题答案

其他章节答案请参考我的汇总统计学习方法答案汇总，都是自己写的。
六七～·2022-11-29 14:50

复现经典：《统计学习方法》第19章 马尔可夫链蒙特卡罗法

第19章马尔可夫链蒙特卡罗法本文是李航老师的《统计学习方法》一书的代码复现。作者：黄海广备注：代码都可以在github中下载。我将陆续将代码发布在公众号“机器学习初学者”，可以在这个专辑在线阅读。
湾区人工智能·2022-11-29 14:46

《统计学习方法》第二十章 马尔可夫链蒙特卡罗法

狄利克雷分布的概率密度函数为p(θ∣α)=Γ(∑i=1kαi)∏i=1kΓ(αi)∏i=1kθiαi−1p(\theta|\alpha)=\frac{\Gamma(\sum_{i=1}^{k}\alpha_{i})}{\prod_{i=1}^{k}\Gamma(\alpha_{i})}\prod_{i=1}^{k}\theta_{i}^{\alpha_{i}-1}p(θ∣α)=∏i=1kΓ(αi)
小鹏AI·2022-11-29 14:45

《统计学习方法》全部算法

目录前言手写实现李航《统计学习方法》书中全部算法示例内容完整目录第二章感知机：第三章K近邻：第四章朴素贝叶斯：第五章决策树：第六章逻辑斯蒂回归与最大熵模型：第七章支持向量机：第八章提升方法：第九章EM算法及其推广
zhangyuexiang123·2022-11-29 01:45

统计学习方法svm课后习题_分析《统计学习方法第2版》PDF+习题部分代码+部分课件讨论...

(转载请删除括号里的内容)我虽然很喜欢模式识别和机器学习，但我暂时并不希望在这上面做深入的研究，只想把别人研究好的成熟的理论用在计算机视觉任务上。比如SVM，Adaboost，EM，朴素贝叶斯，K近邻，决策树等等。能够知道每种算法的原理，而并不想深究其实现过程以及理论证明。比如SVM，我想知道的是这种算法如何实现分类，有哪几种类型，每种适合什么样的分类任务，对应的参数的意义是什么。这样我在使用SV
weixin_39833469·2022-11-29 01:13

手写实现李航《统计学习方法》书中全部算法

点击上方，选择星标或置顶，每天给你送干货！阅读大概需要3分钟跟随小博主，每天进步一丢丢作者:Dodo编辑:深度学习自然语言处理公众号github:https://github.com/Dod-o/Statistical-Learning-Method_Code前言力求每行代码都有注释，重要部分注明公式来源。具体会追求下方这样的代码，学习者可以照着公式看程序，让代码有据可查。如果时间充沛的话，可能会
zenRRan·2022-11-29 01:33

李航老师《统计学习方法》及相关资源（代码、课件）的汇总及下载

编辑|Will出品|字节AI李航：毕业于日本京都大学电气电子工程系，日本东京大学获得计算机科学博士学位。1990年至2001年就职于日本NEC公司中央研究所，任研究员，2001年至2012年就职于微软亚洲研究院，任高级研究员与主任研究员。2012年至2017年就职于华为技术有限公司诺亚方舟实验室，任首席科学家、主任。现任字节跳动科技有限公司人工智能实验室总监，北京大学、南京大学客座教授，IEEE会
一路向北168·2022-11-29 01:03

Boosting方法及代码实战

1.Boosting基本思路  Boosting（提升）方法是一种常用的统计学习方法，应用广泛且有效，在分类问题中，它通过改变训练样本的权重，学习多个分类器，并将这些分类器进行线性组合，提高分类的性能。
很随便的wei·2022-11-29 01:31

《统计学习方法》第八章 提升方法(原理+代码)

提升方法是将弱学习算法提升为强学习算法的统计学习方法在分类学习中，提升方法通过反复修改训练数据的权值分布,构建一系列基本分类器（弱分类器）并将这些基本分类器线性组合，构成一个强分类器代表性的提升方法是AdaBoost
小鹏AI·2022-11-29 01:26

人工智能基础必备知识

项目练手白板推导：数学原理（更难一些）林轩田：数学原理（较为基础）跟李沐学AI：教代码的Second：机器学习相关书籍1、ESL（数理统计基础）：TheElementsofStatisticalLearning2、统计学习理论
牛奶面包~·2022-11-28 18:45

《机器学习》读书笔记1——基本概念

文章目录一、统计学习方法的概述二、机器学习的主要任务2.1什么是模型2.2极大似然估计2.3生成式模型和判别式模型2.3.1生成式模型和判别式模型区别2.3.2为啥判别式模型预测效果更好2.4损失函数2.5
神洛华·2022-11-28 16:39

1.1 统计学习

统计学习什么是统计学习？统计学习的步骤统计学习的分类这是我第写博客的二个阶段，上次写博客是因为想尝试一下新的事物，这次不一样。
是我樂樂呀·2022-11-28 15:34

西瓜书前2章-task1

task1-前2章序几个概念：符号学习、统计学习、迁移学习、深度学习、流形学习第一章绪论机器学习：机器从经验数据中“提炼”模型的学习算法；若一个程序利用经验E在T任务中P方面的性能获得改善，则称关于T和
泠月清风·2022-11-28 13:05

统计学习方法第十六章作业：PCA主成分分析算法 代码实现

PCA主成分分析importnumpyasnpclassPCA:def__init__(self,x,R=None):self.x=np.array(x)self.dim=self.x.shape[-1]self.num=self.x.shape[0]self.R=Rself.X=Noneself.r_list=Noneself.r_v=Noneself.nk=Noneself.X_=Nonede
是算法不是法术·2022-11-28 10:43

《统计学习方法》第十四章聚类算法

一、写在前面本文是《统计学习方法》第十四章聚类方法读书笔记。
骑猪流浪江湖·2022-11-28 10:43

统计学习方法学习笔记：第十四章：聚类方法

第十四章：聚类方法基本概念聚类是根据样本之间的相似度或距离来将样本进行归类，不同的距离度量方式会影响最终的聚类效果，常用的距离或相似度有下列：闵可夫斯基距离：欧式、曼哈顿距离、切比雪夫距离等马哈拉诺比斯距离：dij=[(xi−xj)TS−1(xi−xj)]12,d_{ij}=[(x_i-x_j)^TS^{-1}(x_i-x_j)]^{\frac{1}{2}},dij=[(xi−xj)TS−1(xi
小滔滔ahh·2022-11-28 10:12

统计学习方法学习笔记：第十六章.主成分分析

第十六章：主成分分析（PCA:principalcomponentanalysis）利用正交变换\color{red}{正交变换}正交变换把由线性相关变量表示的观测数据转换为少数几个由线性无关变量表示\color{red}{由线性无关变量表示}由线性无关变量表示的数据，同时尽可能的保留较多的原始数据信息，线性无关的变量称为主成分，\color{red}{线性无关的变量称为主成分}，线性无关的变量称
小滔滔ahh·2022-11-28 10:12

《统计学习方法》第 14 章 聚类方法 KMeans

k-均值聚类n个样本分到k个不同的类或簇，每个样本到其所属类的中心的距离最小。每个样本只能属于一个类，所有k-均值聚类是硬聚类。模型k
weixin_34406061·2022-11-28 10:11

电信保温杯笔记——《统计学习方法（第二版）——李航》第14章 聚类方法

电信保温杯笔记——《统计学习方法（第二版）——李航》第14章聚类方法介绍聚类的基本概念样本的相似度或距离闵可夫斯基距离马哈拉诺比斯距离相关系数夹角余弦类或簇定义特征距离聚类算法层次聚类聚合聚类步骤例子k
电信保温杯·2022-11-28 10:40

李航老师《统计学习方法》第十六章主成分分析课后题答案

其他章节答案请参考我的汇总统计学习方法答案汇总，都是自己写的。
六七～·2022-11-28 10:39

李航老师《统计学习方法》第十四章聚类方法课后题答案

其他章节答案请参考我的汇总统计学习方法答案汇总，都是自己写的。1、试写出分裂聚类算法，自上而下地对数据进行聚类，并给出其算法复杂度。
六七～·2022-11-28 10:38

《统计学习方法（第2版）》李航 第16章 主成分分析 PCA 思维导图笔记 及 课后习题答案（步骤详细）PCA 矩阵奇异值 第十六章

16.1对以下样本数据进行主成分分析：X=[233457245568]X=\left[\begin{array}{llllll}2&3&3&4&5&7\\2&4&5&5&6&8\end{array}\right]X=[223435455678]由于手解数据不是那么“友好”所以直接用代码求解：importnumpyasnpX=np.array([[2,3,3,4,5,7],[2,4,5,5,6,8]
ML--小小白·2022-11-28 10:08

《统计学习方法（第2版）》李航 第14章 聚类方法 思维导图笔记 及 课后习题答案（步骤详细） k-均值 层次聚类 第十四章

思维导图：14.1试写出分裂聚类算法，自上而下地对数据进行聚类，并给出其算法复杂度。i.计算n个样本两两之间的距离，并将所有样本看作一个类，将样本间最大距离作为类直径；ii.对于类直径最大的类，将其中相距最远，也就是距离为类直径的两个样本分成两个新类，该类其他样本就近（相对于那两个选中的样本）归于两个类之一；iii.如果类别个数达到停止条件（预设的分类书）则停止，否则回到ii.步骤。模型复杂度O(
ML--小小白·2022-11-28 10:38

第十四章聚类方法.14.3K均值聚类

文章目录主要内容k均值聚类的定义样本空间划分k均值聚类策略算法步骤例题k均值聚类算法特性收敛性初始类的选择类别数k的选择k均值聚类缺点改进本课程来自深度之眼，部分截图来自课程视频以及李航老师的《统计学习方法
oldmao_2000·2022-11-28 10:37

第十四章聚类方法.14.2.5有序样本分类法

文章目录主要内容算法功能与数据类型有序聚类步骤定义类的直径定义分类的损失函数最优解的求法例子：本课程来自深度之眼，部分截图来自课程视频以及李航老师的《统计学习方法》第二版。
oldmao_2000·2022-11-28 10:07

《统计学习方法》（第十四章）——聚类方法

聚类基本概念相似度或距离相似度或距离:  聚类的核心是相似度或距离的定义，它将直接影响到聚类的结果闵可夫斯基距离dij=(∑k=1m∣xki−xkj∣)1pd_{ij}=(\sum\limits_{k=1}^m|x_{ki}-x_{kj}|)^{\frac{1}{p}}dij=(k=1∑m∣xki−xkj∣)p1p=2时偶啦距离p=2时偶啦距离p=2时偶啦距离p=1时曼哈顿距离p=1时曼哈顿距离p
mkopvec·2022-11-28 10:06

第十四章聚类方法.14.2.4确定最佳聚类数

1、给定阈值2、数据点散布图3、根据统计量分析聚类数量预备知识R2R^2R2统计量半偏R2R^2R2统计量伪F统计量伪t2t^2t2统计量谱系图本课程来自深度之眼，部分截图来自课程视频以及李航老师的《统计学习方法
oldmao_2000·2022-11-28 10:06

《统计学习方法》学习笔记 第十四章 聚类方法

目录1聚类的基本概念1.1相似度或距离1.2类（class）或簇（cluster）1.2.1类或簇的定义1.2.2类的特征1.3类与类之间的距离（linkage）2Hierarchicalclustering3k-meansclustering3.1模型3.2策略3.3算法3.4算法特性总结前情提要：见第十三章无监督学习概论1聚类的基本概念1.1相似度或距离假设有n个样本，每个样本由m个属性的特征
LittleFish0820·2022-11-28 10:05

《统计学习方法》学习笔记 第十六章 PCA(principal component analysis)

目录1总体主成分分析1.1基本想法1.2定义和导出1.3主要性质1.4主成分的个数1.5规范化变量的总体主成分2样本主成分分析2.1样本主成分2.2相关矩阵的特征值分解方法2.3数据矩阵的奇异值分解算法总结1总体主成分分析1.1基本想法（以前学过，很好理解，不放了）1.2定义和导出x=(x1,x2,⋯ ,xm)T\bm{x}=(x_1,x_2,\cdots,x_m)^Tx=(x1,x2,⋯,xm)
LittleFish0820·2022-11-28 10:05
上一页 11 12 13 14 15 16 17 18 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他