PHP之认识PHP(一)
1.1php一个最简单的例子 <!DOCTYPE html> <html> <body> <?php echo "My first PHP script!"; ?> </body> </html> 1.2php的使用 集成的开发环境WampServer,下载地址www.wampserver.com 1.3注释 // 这是 PHP 单行注释 /* 这是 PHP 多行 注释 */ 1.4变量 PHP 变量规则： 变量以 $ 符号开始，后面跟着变量的名称 变量名必须以字母或者下划线字符开始 变量名只
机器学习 —— 周志华
Chapter1 绪论 Chapter2 模型评估与选择 Chapter3 线性模型 Chapter4 决策树 Chapter5 神经网络 Chapter6 支持向量机 Chapter7 贝叶斯分类器 Chapter8 集成学习 Chapter9 聚类 Chapter10 降维与度量学习 Chapter11 特征选择与稀疏学习 Chapter12 计算学习理论 Chapter13 半监督学习 Chapter14 概率图模型 Chapter15 规则学习 Chapter16 强化学习
Part1-Chapter2-k-近邻算法
工作原理： 我们有一批已知其分类的训练样本集，当输入测试样本时，我们通过计算某一测试样本与所有训练样本的距离，最终确定k个离该测试样本最近的训练样本点。这k个点里出现最多的类，就作为该测试样本的类。 书中给了三个例子，一个是理论上的k-近邻算法实现；一个是利用约会网站数据计算匹配度；一个是识别手写数字。 因为我还并不熟悉numpy的函数，所以这章是先看懂书上的代码，然后凭记忆将其复现。代码都不算难，主要收获是认识了挺多函数。 以下为收获的函数： tile()：非常形象。函数的形参是两个，一个普
Part1-Chapter3-决策树
本章主要内容为决策树的概念、构造、信息增益的定义、熵的计算、如何根据信息熵划分数据集并搭建决策树、使用Matplotlib注解绘制树形图、存储和打开决策树，以及一个决策树的应用实例。(代码均为ID3算法) 决策树：决策树的数据结构是一棵树，所有非叶结点上包含了一个判定标准，数据根据这个判定的结果，走向不同的分支，并最终归类为叶节点上的类。 信息增益：划分数据集前后，信息发生的变化称之为信息增益。通过计算信息增益，我们就能知道按照什么特征分类，能够获得最好的结果。 熵的定义：熵即信息的期望值。
Part1-Chapter4-基于概率论的分类方法：朴素贝叶斯
当我们假设各个类别间相互独立且每个数据都同样重要，我们就可以利用条件概率公式： 来计算各个数据属于每个类别的概率，最后概率最大的那个类别即该数据所属类别。 这样的方法称之为朴素贝叶斯分类器。 这两个假设当然是过于理想化了，但在实际应用中，这一分类器的实际效果却很好。 当进行文本分类时，对同一特征而言，p(特征)相等，因此不用计算，而p(类别)可以简单地通过该类别数据数处以总数据数来求得。而求p(特征|类别)时，就要使用到贝叶斯假设，我们将某一特征化为一个个地独立特征，计算每个特征的条件概率，再
Part1-Chapter5-Logistic回归
通过一条线将平面上所有点连接起来，这个拟合的过程称为回归。 Logistic回归分类的思想是：根据现有数据对分类边界线建立回归公式，并进行分类。 其过程和其它算法一样，分为： 1）收集数据 2）准备数据：本方法需要数值型数据 3）分析数据 4）训练算法 5）测试算法 6）使用算法 我们定义一个函数sigmoid： 其图像为： 这个函数具有这样的性质： 1）值域在0-1间 2）曲线平滑且对称 3）对一定范围外的值的变化不敏感，对这个范围内的值的变化很敏感 因此，我们可以将它作为很好的二分类函数。
Part1-Chapter6-支持向量机（上）
本章书将大部分内容放在了代码上，原理介绍只是一笔带过。但我在似懂非懂地看完原理部分，再看代码时却看得一脸问号。强行记忆也可以，但我觉得没必要，于是上网找了很多介绍svm原理的文章，以下为看完后对算法原理推导的梳理。 当二维平面上有两堆数据时，我们可以画一条直线，将它分为两部分。这条直线可以平行移动，其极限位置为与第一次与数据相交时的两条直线，这两个极限位置间的距离我们称之为间隔。我们可能可以画出很多条这样的直线，但其中一或多条直线具有最大的间隔，因为这样的直线容纳新数据点的能力最强，所以我们称
Part1-Chapter6-核函数及手写测试
核函数法，简单来说，就是将低维的数据投射到高维，一方面这样可以降低计算难度，另一方面这样可以将低维不可区分的数据，变得可区分。常用的核函数有很多，下面使用的是高斯函数。 import matplotlib.pyplot as plt
import numpy as np
import random
class optStruct:
def __init__(self,dataMatIn,classLabels,C,toler,kTup):
self.X = dataMatIn
今日推荐
周排行