一、使用朴素贝叶斯模型对iris数据集进行花分类 尝试使用3种不同类型的朴素贝叶斯：高斯分布型、伯努利型、多项式型 #①高斯分布型 from sklearn import datasets iris=datasets.load_iris() from sklearn.naive_bayes impo... ...
分类：
其他好文 时间：
2018-11-22 23:54:16
阅读次数：
288
1.使用朴素贝叶斯模型对iris数据集进行花分类 尝试使用3种不同类型的朴素贝叶斯： 高斯分布型 多项式型 伯努利型 2.使用sklearn.model_selection.cross_val_score()，对模型进行验证。 运行截图 ...
分类：
其他好文 时间：
2018-11-22 11:41:43
阅读次数：
176
在 "《贝叶斯之朴素理解》" 比较详细地总结了一个朴素贝叶斯。这里再对非朴素贝叶斯做一个小结，以了结贝叶斯分类。 1、非朴素贝叶斯公式 1.1 高维高斯分布 在此之前，我们同样先需准备一些数学知识， 高维高斯概率分布 ，或者也叫做联合高斯概率分布，它有如下公式 $$ p(\mathbf{x})=\f ...
分类：
其他好文 时间：
2018-11-20 11:30:39
阅读次数：
187
1.cornerpooling的设计，个人觉得解释有些牵强。 这里的两个特征图如何解释，corner点为何是横向与纵向响应最强的点。如果仅仅当成一种奇特的池化方式，恰好也有着不错的效果，那倒是可以接受，论文中的解释实在难以接受。 2.heapmap的损失函数，角点周围的像素按照高斯分布处理可以理解， ...
分类：
Web程序 时间：
2018-11-02 14:39:02
阅读次数：
692
异常检测 概率分布的角度：通过判断某个样本的概率分部值和阈值的关系判断是不是异常样本 异常检测的应用： 1. 在线购物网站如何识别异常用户（欺诈行为或者被盗号） 2. 制造业 3. 检测计算机的运行情况 高斯分布 高斯分布开发异常检测算法 步骤 1. 选择一些异常的特征 2. 计算均值和方差，对于每 ...
分类：
系统相关 时间：
2018-11-01 16:13:16
阅读次数：
317
构建广义线性模型 先了解一下指数族分布的形式，如果一个分布能用以下的形式写出来，则这个式子为指数族分布 ? 稍微对比思考会发现，之前的分类用的伯努利分布以及高斯分布都是属于指数族分布的 对于伯努利分布，有如下的式子 ? 与指数族的式子相对比会发现，对应关系为 即 其实也就是我们上篇博客说到的logi ...
分类：
系统相关 时间：
2018-10-18 22:08:14
阅读次数：
212
定义：如果我们的随机变量是标准正态分布（详见以前博客的高斯分布），那么多个随机变量的平方和服从的分布即为卡方分布。 X=Y12+Y22+?+Yn2 其中，Y1,Y2,?,Yn均为服从标准正态分布的随机变量，那么XX服从卡方分布，值得注意的是其中的nn即随机变量的个数成为卡方分布的自由度。概率密度函数 ...
分类：
其他好文 时间：
2018-10-13 12:58:12
阅读次数：
693
一. Tensorflow环境的安装 这里我们只讲CPU版本，使用 Anaconda 进行安装 a.首先我们要安装 Anaconda 链接：https://pan.baidu.com/s/1AxdGi93oN9kXCLdyxOMnRA 密码：79ig 过程如下： 第一步：点击next 第二步：I A ...
分类：
其他好文 时间：
2018-10-11 22:00:58
阅读次数：
253
L1和L2正则化项，又叫做惩罚项，是为了限制模型的参数，防止模型过你和而加在损失函数后面的一项。 L1是模型的各个参数的绝对值之和 L2是模型各个参数的平方和的开方值 区别： 从图形上理解：应为最优的参数值很大概率出现在坐标轴上，这样就导致某一维的权重为0，产生稀疏权重矩阵。 从贝叶斯的角度理解：加 ...
分类：
其他好文 时间：
2018-10-02 20:33:11
阅读次数：
266
LDA算法的主要优点有： 在降维过程中可以使用类别的先验知识经验，而像PCA这样的无监督学习则无法使用类别先验知识。 LDA在样本分类信息依赖均值而不是方差的时候，比PCA之类的算法较优。 LDA算法的主要缺点有： LDA不适合对非高斯分布样本进行降维，PCA也有这个问题。 LDA降维最多降到类别数 ...
分类：
其他好文 时间：
2018-10-02 17:50:31
阅读次数：
306
