统计学习

李航 统计学习方法 课后习题答案 第二版

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(定期回复)，包会！！】
#苦行僧·2022-11-04 06:38

李航《统计学习方法》第2版 第9章课后习题答案

习题9.1习题9.2习题9.32个分模型，5个参数μ0，σ0，μ1，σ1，（a0,a1）代码实现：importnumpyasnpimportitertoolsimportm
#苦行僧·2022-11-04 06:37

李航《统计学习方法》第2版 第10章HMM课后习题答案

HMM这一章比较简单，把原理弄熟，看着公式，用numpy实现很简单。习题10.1懒得手算，直接代码：importnumpyasnpimportpandasaspdclassMyHMM:def__init__(self,p,A,<
#苦行僧·2022-11-04 06:37

李航《统计学习方法》第2版 第3章课后习题答案

习题3.1题目：参照图3.1，在二维空间中给出实例点，画出k为1和2时的k近邻法构成的空间划分，并对其进行比较，体会k值选择与模型复杂度及预测准确率的关系。习题3.2题目：利用例题3.2构造的kd树求点x=(3,4.5)T的最近邻点。
#苦行僧·2022-11-04 06:07

李航《统计学习方法》第2版 第6章课后习题答案

习题6.1题目：确认逻辑斯谛分布属于指数分布族.习题6.2题目：写出逻辑斯谛回归模型学习的梯度下降算法.习题6.3题目：写出最大熵模型学习的DFP算法.（关于一般的DFP算法参见附录B）解：这个DFP算法可参考书本附录B对于习题6.2的逻辑斯蒂回归算法，这里用python自编程实现（学习算法采用梯度下降法）梯度下降法：<
#苦行僧·2022-11-04 06:07

李航《统计学习方法》第2版 第8章课后习题答案

习题8.1因计算量较大，所以这题用编程实现。我们先来看下课本例题8.1不是习题8.1，该题x只有1个特征，习题8.1中x有3个特征。对于例题8.1的实现代码如下（算法即书中的AdaBoost算法8.1）弱分类器由xv产生；此可看作是由一个根节点直接连接两个叶结点的简单决策树，即所谓的决策树桩。"""自编程实现课本例题8.1"""importnumpyasnpclassAdaBoost:def__i
#苦行僧·2022-11-04 06:07

李航 统计学习方法 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(定期回复)，包会！！】
#苦行僧·2022-11-04 06:32

统计学习方法——感知机（自学笔记）

感知机是二类分类的线性分类模型。输入——实例特征向量；输出——实例类别，取+1，-1二值。用于求误分类的损失最小化，利用了梯度下降法定义如下图感知机模型如下图：感知机模型用于二分类，从图来理解定义就是wx+b=0这条直线将实例分为两个部分，这里用来sign函数，取值±1.wx+b构成了超平面，也可以这么理解2d——线；3d——面感知机的学习策略线性可分性也就是说能正确分在超平面两侧就是线性可分，不
zhangmnh·2022-11-01 14:55

机器学习——感知机python可视化实现

简介参考李航老师出版的《统计学习方法》，用python实现感知机学习的算法感知机算法这里贴书中介绍的算法原始形式：具体的推导和逻辑理解可以查看书籍或者网上的其它博客。
Kalankalan·2022-11-01 14:53

概率论与数理统计学习：数字特征（一）——知识总结与C语言实现案例

hello，大家好这里是第十期的概率论与数理统计的学习，我将用这篇博客去总结知识点和用C语言实现案例的过程。本期知识点——期望离散型随机变量的期望连续型随机变量的期望随机变量函数的期望期望的性质期望的引入随机变量的分布函数是对随机变量概率性质的完整的刻画，描述了随机变量的统计规律性。但在实际问题中有时不容易确定随机变量的分布，也没那个必要，而我们只需要知道它的某些特征就行了。这些特征就是随机变量的
0202ohh·2022-11-01 08:01

概率论与数理统计学习：随机向量（四）——知识总结

hello，大家好这里是第九期概率论与数理统计的学习，我将用这篇博客去总结这期的知识点和用C语言去实现做题的过程。本期知识点：随机向量函数的分布Z=X+YZ=X+YZ=X+Y的分布Z=max{X,Y}Z=max\{X,Y\}Z=max{X,Y}和Z=min{X,Y}Z=min\{X,Y\}Z=min{X,Y}的分布ok进入知识总结环节随机向量函数的分布在前面我们学到随机变量函数的分布，现在通过区别
0202ohh·2022-11-01 08:00

概率论与数理统计学习：随机变量（三）——知识总结与C语言实现案例

hello，大家好这里是第五期概率论与数理统计的学习，我将用这篇博客去整理知识点以及用C语言去实现做题的过程。注：关于用C语言实现做题的过程，这里不是去设计一个数学公式去做题，而是像平时写作业那样，先用书上的知识点去完成一个题目，然后再用C语言去得到题目的答案，过程可以有千千万万，只要能实现自己的想法就好。下面开始知识点的总结。随机变量函数的分布随机变量的分布函数…等等我们应该总结的是随机变量函数
0202ohh·2022-11-01 08:30

概率论与数理统计学习：随机向量（一）——知识总结与C语言实现案例

hello，大家好这里是第六期概率论与数理统计的学习。我将用这篇博客去整理知识点并在最后用C语言去实现具体案例。本期知识点：随机向量的引入二维随机向量及其分布函数二维离散型随机变量下面进入知识总结环节随机向量我们知道，随机变量是一个单值函数，也就是一个自变量对应于一个因变量。同C语言中的变量一样，一个变量只能有一个值。在前面的一些随机试验中，我们常常是用一个随机变量来描述的，但有些随机现象只用一个
0202ohh·2022-11-01 08:30

概率论与数理统计学习：随机向量（二）——知识总结与C语言实现案例

hello，大家好这里是第七期概率论与数理统计的学习，我将用这篇博客去总结知识点以及用C语言实现案例的过程。本期知识点：二维连续型随机向量均匀分布二维正态分布边缘分布边缘分布函数二维离散型随机向量的边缘概率分布二维连续型随机向量的边缘概率密度下面先总结知识点二维连续型随机向量上一期我们学习了二维离散型随机向量，那么这期就轮到连续型的啦。上一期总所周知啊，连续型是一个区间的概率，离散型是一个一个点的
0202ohh·2022-11-01 08:30

概率论与数理统计学习：随机向量（三）——知识总结与C语言实现案例

hello，大家好这里是第八期概率论与数理统计的学习，我将用这篇博客去总结这期的知识点以及实现用C语言去做题的过程。本期知识点：条件分布条件分布的概念离散型随机变量的条件概率分布连续型随机变量的条件概率密度随机变量的独立性那么首先进入知识总结的环节条件分布☁️条件分布的概念请大家先回忆一下，我们最开始是不是也学过这个啥条件的东西？对的，在前面的那叫条件概率，是对随机事件而言的，因为那时还没引入随机
0202ohh·2022-11-01 08:30

概率论与数理统计学习：随机事件（二）——知识总结与C语言实现案例

Hello，大家好。这是第二期概率论与数理统计的学习，我将用这篇博客来整理我所学习的内容，及用C语言去做例题的过程。那么话不多说，先梳理一下这期的知识点：条件概率啥是条件概率？把它分开读就是，“有条件的概率”，也就是这个概率有前提条件。P(A∣B)P(A|B)P(A∣B)：读作在事件B发生的条件下，事件A发生的条件概率。☁️相关性质设A和B是两个事件，且P(B)>0P(B)>0P(B)>0,则称P
0202ohh·2022-11-01 07:59

概率论与数理统计学习：随机变量（一）——知识总结与C语言案例实现

Hello，大家好这是第三期概率论与数理统计的学习，我将用这篇博客来整理我所学习的内容，及用C语言去做例题的过程。那么这一期要学习的是随机变量的定义和离散型随机变量。还是一样，先总结知识点在再进行C语言案例实现。随机变量的定义啥是随机变量？我们常把随机试验的结果与实数对应起来，也就是把随机试验的结果进行数量化。那么什么又是数量化呢？不要着急，先给出随机变量的定义：定义：设EEE是随机试验，Ω\Om
0202ohh·2022-11-01 07:59

概率论与数理统计学习：随机变量（二）——知识总结与C语言案例实现

hello，大家好。这里是第四期概率论与数理统计的学习，我将用这篇博客去整理知识点以及用C语言去实现案例。还是先总结一遍这期的知识点。连续型随机变量与随机变量的分布函数在上一期的学习中，我们总结了离散型随机变量的定义和它的概率分布，同时我们也提到了一个随机变量的概念——连续型随机变量。在前面我们给出离散型随机变量的特点是不连续，所以连续型随机变量的特点也就是连续了。但是，最开始的时候我一直没搞懂“
0202ohh·2022-11-01 07:59

概率论与数理统计学习：随机事件（一）——知识总结与C语言实现案例

大家好，我将用这个专题来记录我学习概率论与数理统计的过程，希望大家多多支持。这一篇呢主要是了解一下随机事件的基本概念、事件的概念和古典概率模型。首先，我们先介绍随机事件的一些相关概念。基本概念试验：我们把对某种现象的一次观察、测量或进行一次科学实验，统称为一个试验。随机试验：如果试验在相同的条件下可以重复进行，且每次试验的结果是事前不可预知的，则称此试验为随机试验，也简称为试验，记为EEE。样本空
0202ohh·2022-11-01 07:29

概率论与数理统计学习：数字特征（二）——知识总结与C语言实现案例

hello，大家好这里是第11期概率论与数理统计的学习，我将用这篇博客去总结知识点和用C语言实现简单例题的过程。本期知识点：方差方差的定义方差的性质几种常用随机变量的方差知识总结☁️方差的定义方差刻画了随机变量取值在其中心位置附近的分散程度，即随机变量取值与平均值的偏离程度。设随机变量XXX的期望为E(X)E(X)E(X)，为了刻画偏离程度的大小，用E[∣X−E(X)∣]E[|X-E(X)|]E[
0202ohh·2022-11-01 07:20

支持向量机SVM（上）

它源于统计学习理论，是除了集成算法之外，接触的第一个强学习器。它有多强呢？
Garcia-zhang·2022-10-30 07:47

用人话讲明白支持向量机SVM（上）

先看下官方定义：支持向量机方法是建立在统计学习理论的VC维理论和结构风险最小原理基础上的，根据有限的
化简可得·2022-10-30 07:47

周志华的《机器学习》西瓜书真的很难啃透吗？

相信大家和我一样，非李航的《统计学习方法》和周志华的《机器学习》莫属。周志华老师的《机器学习》，相信身边学机器学习的小伙伴可谓是人手一本了。but，这本书你真的啃下来了吗？
计算机视觉研究院·2022-10-27 21:43

拉格朗日对偶性问题的一些见解

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。
Yokate·2022-10-27 10:48

拉格朗日对偶问题的解释

0.内容介绍在约束最优化问题中，常常利用拉个朗日对偶性将原始问题转化为对偶问题，通过解对偶问题而得到原始问题的解，该方法应用在很多的统计学习方法中。
沧海磐石·2022-10-27 09:17

SVM分类器原理

而且SVM的另一大优势是以统计学习理论为基础，其特点是通过优化结构风险最小化来提高模型的泛化性能。具体的实施过程是：SVM通过构建一个最优分类超平面形成最大间隔，通过控制分类超平面两侧的间
李逍遥敲代码·2022-10-26 19:43

(三）总体上概要理解统计_第三部分：机器学习与统计决策

  经常听到说机器学习就是统计学习，其实，就二者的方法来说可以这样认为，尤其是对于典型的机器学习算法来说，如ANN、SVM、遗传算法等。但是对于关联规则等非典型方法这个说法不成立。
tiger007lw·2022-10-26 14:01

python与机器学习

机器学习数据挖掘、CV、NLP、语音识别、统计学习、模式识别套路：1.数据收集处理；2.特征选择与模型构建；3.评估与预测站点：kagglegithubpython库科学计算库numpypandas线性回归例子
AI小丸子·2022-10-26 09:59

【机器学习基础】 线性回归

线性回归1、线性回归定义2、线性回归题目示例3、推导公式4、误差5、似然函数6、线性回归评价指标7、梯度下降1、线性回归定义经典统计学习技术中的线性回归和softmax回归可以视为线性神经⽹络。
XTX_AI·2022-10-25 19:39

task_2异常检测方法—统计学习方法

一、基于统计学方法的异常检测主要原理是：学习一个拟合给定数据集的生成模型，然后识别该模型低概率区域中的对象，把它们作为异常点。也就是说，包括两个步骤，第一，给出概率模型，第二，考虑对象有多大可能符合该模型。根据如何指定和学习模型，异常检测的统计学方法可以划分为两个主要类型：参数方法和非参数方法。参数方法：假定正常的数据对象被一个以Θ\ThetaΘ为参数的参数分布产生。该参数分布的概率密度函数f(x
XYQLTX·2022-10-25 11:45

【统计学习算法】朴素贝叶斯算法

朴素贝叶斯算法是一种分类算法，生成学习算法参考链接朴素贝叶斯的主要优点有：1）朴素贝叶斯模型发源于古典数学理论，有稳定的分类效率。2）对小规模的数据表现很好，能个处理多分类任务，适合增量式训练，尤其是数据量超出内存时，我们可以一批批的去增量训练。3）对缺失数据不太敏感，算法也比较简单，常用于文本分类。朴素贝叶斯的主要缺点有：1）理论上，朴素贝叶斯模型与其他分类方法相比具有最小的误差率。但是实际上并
zcz5566719·2022-10-24 18:51

统计学习方法-朴素贝叶斯法

朴素贝叶斯（naiveByes）法是基于贝叶斯定理与特征条件独立假设的分类方法。对于给定的训练数据集，首先基于特征条件独立于假设学习输入/输出的联合概率分布；然后基于此模型，对给定的输入x，利用贝叶斯定理求出后验概率最大输出y。朴素贝叶斯方法实现很很简单，学习与预测效率都很高，是一种常用的方法。朴素贝叶斯法的学习与分类基本方法：后验证概率最大化含义朴素贝叶斯法将实例分到后验概率最大的类中，这等价于
海伦•·2022-10-24 18:19

统计学习方法01——概论

原文代码作者：https://github.com/wzyonggege/statistical-learning-method目录1.使用最小二乘法拟和曲线1.1最小二乘拟合（scipy.optimize.leastsq）1.1.1画图显示中文标签和正负号1.1.2正态分布（np.random.randn）1.1.3scipy.linalg(线性代数)2.多项式拟合目标函数2.1利用正则化降低过
Top Secret·2022-10-24 18:46

【统计学习方法】朴素贝叶斯

一、前言首先介绍朴素贝叶斯的核心公式：PA∣B)=P(A)P(B∣A)P(B)PA|B)=\frac{{P(A)P(B|A)}}{{P(B)}}PA∣B)=P(B)P(A)P(B∣A)Wikipedia贝叶斯定理朴素贝叶斯是基于贝叶斯定理与特征条件独立假设的分类方法。”朴素贝叶斯“之”朴素“之名即来源于其特征条件独立的假设。对于给定的数据集，首先基于特征条件独立假设学习输入输出的联合概率分布，而后
jyyym·2022-10-24 18:45

统计学习方法03—朴素贝叶斯算法

目录1.朴素贝叶斯的基本原理2.贝叶斯算法实现2.1数据集的准备与处理2.2GaussianNB高斯朴素贝叶斯2.2.1@staticmethod静态方法2.2.2几种概率统计量的编码2.3scikit-learn高斯贝叶斯实例2.4贝叶斯的伯努利模型和多项式模型3.意犹未尽1.朴素贝叶斯的基本原理2.贝叶斯算法实现2.1数据集的准备与处理importnumpyasnpimportpandasas
Top Secret·2022-10-24 18:14

信息论概念详细梳理：信息量、信息熵、条件熵、互信息、交叉熵、KL散度、JS散度

通俗理解条件熵从编码角度直观理解信息熵计算公式浅谈KL散度简单的交叉熵，你真的懂了吗李航《统计学习方法》文章目录0.引入：三门问题1.信息量1.1从“不确定度”角度理解1.2从编码角度理解2.信息熵3.
云端FFF·2022-10-22 07:24

【统计学习｜书籍阅读】第七章 支持向量机 p95-p133

文章目录思路支持向量机线性支持向量机非线性支持向量机SMO算法思路支持向量机是一种二分类模型，它的基本模型是定义在特征空间上的间隔最大的线性分类器，间隔最大使他有别于感知机。支持向量机还包括核技巧，这使他成为实质上的非线性分类器。支持向量机的学习策略就是间隔最大化，可形式化为一个求解凸二次规划问题，也等价于正则化合页损失函数最小化问题。支持向量机的学习算法是求解凸二次规划的最优化算法。线性可分硬间
Lydia.na·2022-10-21 15:51

Adaboost Python实现

AdaboostPython实现AdaboostPython实现算法原理简介算法流程实现代码AdaboostPython实现本文是根据李航的《统计学习方法》进行复现，按照二分类的Adaboost进行操作
FelixBug·2022-10-20 22:02

基于scikit-learn支持向量机(Support vector machine)的实现

支持向量机(SVM)是在统计学习理论基础上发展起来的一种数据挖掘方法，是机器学习中的方法之一，也是核方法(kernalmethod)中最有名的方法之一，在小样本、非线性和高维的回归、分类问题上有许多优势
生信小兔·2022-10-18 10:07

01. KNN , CV_example

K近邻算法(K-nearestneighbor，KNN算法)李航博士《统计学习方法》最近邻(k-NearestNeighbors,KNN)算法是一种分类算法应用场景：字符识别、文本分类、图像识别思想：对给定的训练实例点和输入实例点
S1406793·2022-10-18 07:56

计算机视觉入门及资料汇总

未完，持续更新）零、好的博客汇总：一、计算机视觉（图像处理）论文及代码汇总：二、特征提取算法汇总：三、深度学习与计算机视觉汇总：四、C和C++入门汇总：五、数据集汇总：六、目标跟踪：七、模式识别：八、统计学习方法
weixin_30662011·2022-10-14 07:52

支持向量机SVM(1)——间隔最大化

支持向量机SVM——间隔最大化1.超平面2.函数间隔和几何间隔3.间隔最大化本文主要参考《机器学习》、《统计学习方法》。
Donreen·2022-10-13 07:20

决策树模型实现：ID3，C4.5生成，剪枝，预测

此次算法实现都是基于《统计学习方法》的描述，而不是西瓜书，不涉及西瓜书内的”预剪枝“和”后剪枝“，剪枝算法为《统计学习方法》算法5.4，计算损失函数时直接计算整棵树的值，没有实现”局部进行”。
_森罗万象·2022-10-12 10:38

关于SVM的那点破事[faruto长期更新整理]

是本科大三的时候参加北师本科科研基金在管理学院系统科学那边做一个有关脑电波EEG模式识别的项目，那时候对于“机器学习”这个概念还是头一次染指，后来使用libsvm工具箱来做分类和回归，在用的过程中来学习SVM底层的统计学习理论
xiewenbo·2022-10-10 20:34

经典机器学习方法（6）—— 非线性支持向量机器与核技巧

参考：《统计学习方法（第二版）》第7章白板机器学习菜菜的sklearn课堂支持向量机器(supportvectormachines,SVM)可以看作之前介绍过的经典机器学习方法（4）——感知机的升级版，
云端FFF·2022-10-10 19:45

概率论与数理统计学习笔记（6）——分布律，分布函数，密度函数

对了宝贝儿们，卑微小李的公众号【野指针小李】已开通，期待与你一起探讨学术哟~摸摸大！目录1离散型随机变量1.1（0-1）分布1.2伯努利试验1.3二项分布1.4几何分布1.5泊松分布2.连续型随机变量2.1分布函数与概率密度函数2.2均匀分布2.3指数分布2.4正态分布2.4.1标准正态分布2.4.2一般正态分布References1离散型随机变量离散型随机变量指的是取到的值时有限个或者可列无限多
野指针小李·2022-10-10 19:31

概率论与数理统计学习笔记——第7讲——连续型随机变量（2.5.4指数分布及其与泊松分布的关系）

1.指数分布的定义2.指数分布的分布函数3.指数分布的重要性质——无记忆性4.指数分布的应用示例——元器件的寿命与其已使用无关（指数分布又被称为永远年轻分布）5.泊松分布与指数分布的关系6.指数分布的应用示例
预见未来to50·2022-10-10 19:01

NNDL 实验五 前馈神经网络（3）鸢尾花分类

4.5.2数据处理4.5.3模型构建4.5.4完善Runner类4.5.5模型训练4.5.6模型评价4.5.7模型预测思考题总结深入研究鸢尾花数据集画出数据集中150个数据的前两个特征的散点分布图：【统计学习方法
HBU_David·2022-10-07 12:20

05决策树与随机森林（学习笔记）

参考：袁春老师《大数据机器学习公开课》：https://www.xuetangx.com/course/THU08091001026/10333105李航老师《统计学习方法》：https://book.douban.com
jialonghao·2022-10-06 07:57

西瓜书研读——第三章 线性模型： 线性判别分析 LDA

西瓜书研读系列：西瓜书研读——第三章线性模型：一元线性回归西瓜书研读——第三章线性模型：多元线性回归西瓜书研读——第三章线性模型：线性几率回归（逻辑回归）主要教材为西瓜书，结合南瓜书，统计学习方法，B站视频整理
小白不白白_·2022-10-02 07:17
上一页 15 16 17 18 19 20 21 22 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他