《Python机器学习算法》勘误

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/google19890102/article/details/77996085

本书在出版的过程中已经经过详细的检查，但是大小问题依旧存在，感谢各位细心的读者为本书指出的错误。

• 第34页的错误在Python2.7.9版本上不会报错。

第1版第一次印刷勘误

页码	原文	修改
XVI	（目录）12.3.2 Mean shift	12.3.2 DBSCAN
26	（程序清单1-11：第11行）h	result
33	（程序清单2-3：第8行参数）feature, label, k, 5000, 0.2	feature, label, k, 10000, 0.4
34	（开始的代码：第9行）float	int
45	（公式第二行）$\frac{1}{2}\sum_{i=1}^{n}\sum_{j=i+1}^{n}$	$\frac{1}{2}\sum_{i=1}^{n}\sum_{j=1}^{n}$
46	（整页的四处）$\left [ 1-\sigma \left ( \hat{y}y \right ) \right ]$	$\left [ \sigma \left ( \hat{y}y \right )-1 \right ]$
48	（文本的第三行）度	超参数
48	（程序清单3-2：第4行）FM模型的度	FM模型的超参数
49	（文本的第二行）模型的度	模型的超参数
50	（程序清单3-5：第8行）labelTrain, 3, 5000, 0.01	labelTrain, 3, 10000, 0.01
52	（程序清单3-7：倒数第2行）result.append(str(pre))	result.append(pre)
55	（程序清单3-10：第3行）data.txt	test_data.txt
57	（程序清单3-13：第7行）f.write(“\n”.join(result))	f.write(“\n”.join(str(x) for x in result))
68	（4.4.2中第一个公式：高斯核的分子）$\left \| X^{\left ( i \right )}-X^{\left ( j \right )} \right \|$	$\left \| X^{\left ( i \right )}-X^{\left ( j \right )} \right \|^2$
70	（中间公式$W\left ( \alpha _2 \right )$的第二行）$\left ( \left ( M_2 -\alpha _2y^\left ( 2 \right ) \right )+\alpha _2 \right )$	$\left ( \left ( M_2 -\alpha _2y^\left ( 2 \right ) \right )y^\left ( 1 \right )+\alpha _2 \right )$
70	（最下面公式）$\left ( K_{11}+K_{22}\alpha _2-2K_{12} \right )\alpha _2$	$\left ( K_{11}+K_{22}-2K_{12} \right )\alpha _2$
104	（代码的第14行）data_tmp.append(data[i][fea])	data_tmp.append(data[index[i]][fea])
104	（代码的第15行）data_tmp.append(data[i][-1])	data_tmp.append(data[index[i]][-1])
133	（程序清单6-14：第13、17行）dataTest	data
141	（7.3中第3行）然后把二次模型	然后把二次函数
147	（程序清单7-7：第11行）800	50
150	（程序清单7-10：第3行）data.txt	data_test.txt
152	（7.5.1中的高斯核中的分子）$\left | X^i-X \right |$	$\left \| X^i-X \right \|^2$
160	（第10行公式）$B_{k+1}^{-1}=\left ( I-\frac{s_ky_k^T}{y_k^Ts_k} \right )^TB_{k}^{-1}-\left ( I-\frac{y_ks_k^T}{y_k^Ts_k} \right )+\frac{s_ks_k^T}{y_k^Ts_k}$	$B_{k+1}^{-1}=\left ( I-\frac{s_ky_k^T}{y_k^Ts_k} \right )^TB_{k}^{-1}\left ( I-\frac{y_ks_k^T}{y_k^Ts_k} \right )+\frac{s_ks_k^T}{y_k^Ts_k}$
160	（第12行公式）$H_{k+1}=\left ( I-\frac{s_ky_k^T}{y_k^Ts_k} \right )^TH_{k}-\left ( I-\frac{y_ks_k^T}{y_k^Ts_k} \right )+\frac{s_ks_k^T}{y_k^Ts_k}$	$H_{k+1}=\left ( I-\frac{s_ky_k^T}{y_k^Ts_k} \right )^TH_{k}\left ( I-\frac{y_ks_k^T}{y_k^Ts_k} \right )+\frac{s_ks_k^T}{y_k^Ts_k}$
198	（程序清单10-5：第16行）争取穷	正无穷
219	（最后一行文本）如图11.4所示	如图11.7所示
224	（第一行文本：两处）图12.2	图12.3
230	（本处遗忘了distance函数）	请参阅代码中的distance函数
234	（小标题12.3.2）Mean Shift	DBSCAN
237	（13.1.1下第2行）节点，之间	节点之间
316	（18.4.1下import代码下面增加）	batch_size = 128

第1版第二次印刷勘误

页码	原文	修改
17	$W_j=W_j+\alpha \triangledown _{W_j}\left ( l_{W,b} \right )$	$W_j=W_j-\alpha \triangledown _{W_j}\left ( l_{W,b} \right )$
29	中间的$\triangledown _{\theta _j}J\left ( \theta \right )$，很多读者反应看不懂，对其进行修改	$$\triangledown _{\theta _j}J\left ( \theta \right )=-\frac{1}{m}\sum_{i=1}^{m}\left [ \triangledown _{\theta _j}\sum_{j=1}^{k}I\left \{ y^{\left ( i \right )}=j \right \}log\frac{e^{\theta _j^TX^{\left ( i \right )}}}{\sum_{l=1}^{k}e^{\theta _l^TX^{\left ( i \right )}}} \right ]$$ 当$y^{\left ( i \right )}=j$时， $$\triangledown _{\theta _j}J\left ( \theta \right )=-\frac{1}{m}\sum_{i=1}^{m}\left [\frac{\sum_{l=1}^{k}e^{\theta _l^TX^{\left ( i \right )}}-e^{\theta _j^TX^{\left ( i \right )}}}{\sum_{l=1}^{k}e^{\theta _l^TX^{\left ( i \right )}}} \cdot X^{\left ( i \right )}\right ]$$ 当$y^{\left ( i \right )}\neq j$时, $$\triangledown _{\theta _j}J\left ( \theta \right )=-\frac{1}{m}\sum_{i=1}^{m}\left [\frac{-e^{\theta _j^TX^{\left ( i \right )}}}{\sum_{l=1}^{k}e^{\theta _l^TX^{\left ( i \right )}}} \cdot X^{\left ( i \right )}\right ]$$
29	$\theta _j=\theta _j+\alpha \triangledown _{\theta _j}J\left ( \theta \right )$	$\theta _j=\theta _j-\alpha \triangledown _{\theta _j}J\left ( \theta \right )$
47	最后一行np.mat(dataTrain)	np.mat(dataMatrix)
303	图17.8下第6行“自编码圣经网络”	自编码神经网络