回归问题是根据一组特征(feature)，预测一个值，和分类问题不同，这个值是连续的，分类问题的预测值是离散的。 m：训练集的记录条数 x：训练集中的一条记录的输入变量部分，或者说特征值 y：训练集中的记录的输出...
分类：
其他好文 时间：
2015-01-28 13:13:19
阅读次数：
223
分类模型：
分类模型涉及的一个比较关键的问题就是输出的10维向量是如何与具体的类别挂钩的。实际上：10维向量的每一位都代表一类，在对于训练集的表达中，如果输入数据是0，则10维向量的第一位赋值为1，其余均为0。即0对应[1,0,0,0,0,0,0,0,0,0]。MLP模型训练完成后，就需要对用户输入的数据所属类别进行判定。这时得到的输出数据基本不可能是正好的所属类为1，其他位置为0...
分类：
其他好文 时间：
2015-01-23 18:29:45
阅读次数：
999
基本思想：将数据分为训练集合和测试集合，用训练集合的数据训练模型，用测试集合的数据测试模型。训练集和测试集的划分，可以是按照时间的维度，也可以按照人群的维度。
存在风险：对于某些方法可能有偏向性。
用历史数据进行评价
按照时间维度将数据分为训练集合测试集，N折交叉验证。
还有直接用人工进行评价的。不过代价较大，不能上规模，在实际中用处不大。
完。...
分类：
其他好文 时间：
2015-01-17 18:02:07
阅读次数：
165
介绍
KNN算法全名为k-Nearest Neighbor，就是K最近邻的意思。KNN也是一种分类算法。但是与之前说的决策树分类算法相比，这个算法算是最简单的一个了。算法的主要过程为：
1、给定一个训练集数据，每个训练集数据都是已经分好类的。
2、设定一个初始的测试数据a，计算a到训练集所有数据的欧几里得距离，并排序。
3、选出训练集中离a距离最近的K个训练集数据。
4、比较k个训练集数...
分类：
编程语言 时间：
2015-01-12 09:32:18
阅读次数：
599
1.k近邻算法的思想给定一个训练集，对于新的输入实例，在训练集中找到与该实例最近的k个实例，这k个实例中的多数属于某个类，就把该输入实例分为这个类。因为要找到最近的k个实例，所以计算输入实例与训练集中实例之间的距离是关键！k近邻算法最简单的方法是线性扫描，这时要计算输入实例与每一个训练实例的距离，当...
分类：
编程语言 时间：
2015-01-05 07:00:14
阅读次数：
502
reference ：http://my.oschina.net/u/175377/blog/84420目录[-]Scikit Learn: 在python中机器学习载入示例数据一个改变数据集大小的示例：数码数据集(digits datasets)学习和预测分类K最近邻(KNN)分类器训练集和测试集...
分类：
其他好文 时间：
2015-01-03 17:05:35
阅读次数：
694
通过前四讲可知，在假设集大小（M）有限的条件下，机器是可以学习的。第五讲的目的是解决M为无限大时，机器是否能学习的问题。为什么在假设集大小（M）有限的条件下，机器是可以学习的？1. 其依据是Hoeffding不等式：这个不等式说明了，训练集的错误率Ein(g)和测试集的错误率Eout(g)的差距太大...
分类：
其他好文 时间：
2014-12-23 00:03:42
阅读次数：
208
前言 本文介绍机器学习分类算法中的K-近邻算法并给出伪代码，Python代码实现。算法原理 首先获取训练集中与目标对象距离最近的k个对象，然后再获取这k个对象的分类标签，求出其中出现频数最大的标签。 这个标签就是分类的结果。伪代码 对训练集中的每个点做以下操作： 1. 计算已知类别数据...
分类：
编程语言 时间：
2014-12-18 11:39:03
阅读次数：
203
第一讲中我们学习了一个机器学习系统的完整框架，包含以下3部分：训练集、假设集、学习算法 一个机器学习系统的工作原理是：学习算法根据训练集，从假设集合H中选择一个最好的假设g，使得g与目标函数f尽可能低接近。H称为假设空间，是由一个学习模型的参数决定的假设构成的一个空间。而我们这周就要学习一个特定的....
分类：
其他好文 时间：
2014-12-08 00:38:06
阅读次数：
466
一、先弄清楚机器学习的几个概念：训练集：训练样本，每个样本都由表示要学习的特征集（输入变量）和目标（输出变量） 设训练样本数为m 输入特征\变量input : x 其中每个样本用 表示（第i个样本），样本中每个特征/输入用表示（第i个样本中的第j个特征） 输出特征/变量output : y 其中.....
分类：
其他好文 时间：
2014-11-29 22:52:46
阅读次数：
262
