LICENSE
Deep Learning Tutorials
Getting Started
Datasets
Notation
A Primer on Supervised Optimization for Deep Learning
Theano/Python Tips
Classifying MNIST digits using Logistic Regression...
分类：
其他好文 时间：
2014-06-05 03:05:05
阅读次数：
210
神经网络常用于机器学习中的分类，常用的分类算法有：朴素贝叶斯，遗传算法，神经网络，支持向量机等。
在互联网发达的今天，有很多东西需要进行分类，在分类之前，我们常常是有一些数据，找出这些数据符合什么样的
模型，然后根据这些已有数据来预测将来，神经网络就是用来进行这种数据建模的。
神经网络一般情况是有个输入，有个输出，在输入层和输出层之间通常还有若干个隐含层。实际上，在1989年...
分类：
其他好文 时间：
2014-06-05 02:40:25
阅读次数：
261
原创博客，转载请：http://blog.csdn.net/zhjm07054115/article/details/27577181...
分类：
其他好文 时间：
2014-06-03 04:53:59
阅读次数：
276
Logistic回归主要用于医学中对流行病分析，或者对某种疾病的危险因素分析。通常用于二分类，也就是说因变量
只有两个，当然也可以用于多分类。
Logistic回归的理论内容上篇文章已经讲述过，在求解参数时可以用牛顿迭代，可以发现这种方法貌似
太复杂，今天我们介绍另一种方法，叫梯度下降。当然求最小值就是梯度下降，而求最大值相对就是梯度上升。
在Logistic回归中，由于，如果...
分类：
其他好文 时间：
2014-06-03 00:06:19
阅读次数：
353
在线性回归中，由于对参数个数选择的问题是在问题求解之前已经确定好的，因此参数的个数不能很好的确定，如果参数个数过少可能拟合度不好，产生欠拟合(underfitting)问题，或者参数过多，使得函数过于复杂产生过拟合问题(overfitting)。因此本节介绍的局部线性回归(LWR)可以减少这样的风险。
欠拟合与过拟合
首先看下面的图
对于图中的一系列样本点，当我们采用y...
分类：
其他好文 时间：
2014-06-02 23:50:41
阅读次数：
430
logistic regression可以解决分类问题，即输出的结果只有0和1两种，比如，对于邮件的判断只有是或者否。这种分类问题使用传统的线性回归并不能很好的解决。
一个小例子
例如，当我们根据肿瘤的大小判断一个肿瘤是不是良性的时候，输出结果只有是或者否，用1和0表示，给定的样本点，并且我们使用传统的线性回归问题解决拟合的函数图像如下：
图像中我们可以根据拟合曲线，当输出值...
分类：
其他好文 时间：
2014-06-01 12:53:04
阅读次数：
167
数据挖掘系列（4）使用weka做关联规则挖掘weka Apriori算法实例操作详解用
WEKA 进行数据挖掘，第 1 部分: 简介和回归
分类：
其他好文 时间：
2014-06-01 12:22:01
阅读次数：
156
二叉树的层序遍历(要求区分层，例如每层遍历完输出换行)
单单层序遍历非常简单，一个队列就搞定了，但是区分层则要麻烦些。总的思路无非就是在每次print的时候，要能通过某个东西
区分出当前节点是否是一层最后一个节点，或者下一层的最后一个节点，感觉有点类似于机器学习中找个区分度明显的特征：
1.自己的解法，在单队列基础上，输入队列的数据添加一个标志 ，LevelHeaded，同时...
分类：
其他好文 时间：
2014-06-01 10:49:44
阅读次数：
267
回顾上次内容：http://blog.csdn.net/acdreamers/article/details/27365941
经过上次对Logistic回归理论的学习，我们已经推导出取对数后的似然函数为
现在我们的目的是求一个向量，使得最大。其中
对这个似然函数求偏导后得到...
分类：
其他好文 时间：
2014-06-01 04:34:43
阅读次数：
410
Logistic回归为概率型非线性回归模型，是研究二分类观察结果与一些影响因素之间关系的一种多变
量分析方法。通常的问题是，研究某些因素条件下某个结果是否发生，比如医学中根据病人的一些症状来判断它是否患
有某种病。
在讲解Logistic回归理论之前，我们先从LR分类器说起。LR分类器，即Logistic Regression Classifier。
在分类情形下，经过学习后的LR分...
分类：
其他好文 时间：
2014-05-31 17:59:42
阅读次数：
279
