机器学习之主成分分析(PCA&特征选择)

特征选择 　　特征选择对于数据科学家、机器学习从业者来说非常重要。好的特征选择能够提升模型的性能，更能帮助我们理解数据的特点、底层结构，这对进一步改善模型、算法都有着重要作用。 特征选择主要有两个功能： (1)减少特征数量、降维，使模型泛化能力更强，减少过拟合 (2)增强对特征和特征值之间的理解 　　拿到数据集，一个特征选择方法，往往很难同时完成这两个目的。 PCA 　　PCA是一种数学降维方法，利用正交变换把一系列可能线性相关

Machine Learning 之一，什么是机器学习。

Machine Learning  机器学习，什么是机器学习。我觉得尚学堂的培训老师讲的很不错，就是两个字来介绍。------拟人。 就是模拟人类的思维方式。 老师举的例子： 和女朋友约会，第一次约会，约定是晚上七点到，但是女朋友7点十分才到。 第二次，约会，约定也是晚上七点到，但是女朋友还是7点十分才到。 那么第三次呢，这位男同志就可能会通过前两次约会的经验，做出女朋友迟到十分钟的预测，就是概率。也晚十分钟出门，十分钟可以看看书，

机器学习性能评估指标

　　因为接触到机器学习的部分知识，不是很懂。以下内容来自知乎，作为笔记留存。 　　作者原文博客：http://charleshm.github.io/2016/03/Model-Performance/　　作者：Charles Xiao 　　链接：https://www.zhihu.com/question/19645541/answer/91694636   　　精确率是针对我们预测结果而言的，它表示的是预测为正的样本中有多少是对

机器学习之分类回归树(python实现CART)

之前有文章介绍过决策树（ID3）。简单回顾一下：ID3每次选取最佳特征来分割数据，这个最佳特征的判断原则是通过信息增益来实现的。按照某种特征切分数据后，该特征在以后切分数据集时就不再使用，因此存在切分过于迅速的问题。ID3算法还不能处理连续性特征。下面简单介绍一下其他算法： CART 分类回归树 CART是Classification And Regerssion Trees的缩写，既能处理分类任务也能做回归任务。 CART

机器学习 —— 概率图模型（Homework: Exact Inference）

　　在前三周的作业中，我构造了概率图模型并调用第三方的求解器对器进行了求解，最终获得了每个随机变量的分布（有向图），最大后验分布（双向图）。本周作业的主要内容就是自行编写概率图模型的求解器。实际上，从根本上来说求解器并不是必要的。其作用只是求取边缘分布或者MAP，在得到联合CPD后，寻找联合CPD的最大值即可获得MAP，对每个变量进行边缘分布求取即可获得边缘分布。但是，这种简单粗暴的方法效率极其低下，对于MAP求取而言，每次得到新的

机器学习面试问题6

以下内容接机器学习面试问题5. 神经网络参数相关 参数的范围 目前还没有明确的参数范围，只有个人总结性的原则。如下： 网络参数确定原则： ①、网络节点 网络输入层神经元节点数就是系统的特征因子(自变量)个数，输出层神经元节点数就是系统目标个数。隐层节点选按经验选取，一般设为输入层节点数的75%。如果输入层有7个节点，输出层1个节点，那么隐含层可暂设为5个节点，即构成一个7-5-1 BP神经网络模型。在系统训练时，实际还要对不同的隐层

【网易】2018秋招笔试（机器学习算法岗）

1. 魔法币 DESCRIPTION 小易准备去魔法王国采购魔法神器,购买魔法神器需要使用魔法币,但是小易现在一枚魔法币都没有,但是小易有两台魔法机器可以通过投入x(x可以为0)个魔法币产生更多的魔法币。魔法机器1:如果投入x个魔法币,魔法机器会将其变为2x+1个魔法币魔法机器2:如果投入x个魔法币,魔法机器会将其变为2x+2个魔法币小易采购魔法神器总共需要n个魔法币,所以小易只能通过两台魔法机器产生恰好n个魔法币,小易需要你帮他设

机器学习之路： tensorflow 自定义 损失函数

   git: https://github.com/linyi0604/MachineLearning/tree/master/07_tensorflow/   1 import tensorflow as tf 2 from numpy.random import RandomState 3 4 ''' 5 模拟一个回归案例 6 自定义一个损失函数为: 7 当真实值y_更大的时候 loss = a

【机器学习基础】集成学习回顾及总结

之前有将集成学习中的随机森林、GBDT、XGBoost等算法进行一一介绍，明白了每个算法的大概原理，最近复习了一下李宏毅老师的集成学习的课程，忽然对集成有了更清晰的认识，这里做一个回顾和总结。 集成学习回顾及总结 集成学习从直观的意思来说，就是合众人之力来解决一个问题，而每个人所起的作用又不相同，最终把大家的力量进行“集成”，从而得到更优的方案。 在前面线性回归的误差分析中说到，误差来源于偏差bias和方差variance

使用MySQL的EXECUTE指令进行操作的方法和示例

MySQL的EXECUTE指令使用方法 MySQL的EXECUTE指令是用来执行一条或多条SQL语句的指令。它可以用来执行SQL语句，比如插入、更新、删除等操作，也可以用来执行存储过程。EXECUTE指令需要指定一个SQL语句或一个存储过程，并可以传入参数。 MySQL的EXECUTE指令示例 下面是一些使用EXECUTE指令的示例： EXECUTE INSERT INTO table_name (field1, field2, ...) VALUES (value1, value2, ..

CentOS7下卸载MySQL8的步骤和注意事项说明

CentOS7下卸载MySQL8步骤 1、停止MySQL服务：使用命令systemctl stop mysqld.service停止MySQL服务。 2、卸载MySQL服务：使用命令yum remove mysql-server卸载MySQL服务。 3、删除MySQL相关文件：使用命令rm -rf /var/lib/mysql删除MySQL的数据文件；使用命令rm -rf /etc/my.cnf删除MySQL的配置文件。 4、检查是否卸载成功：使用命令rpm -qa | grep mysql查

MySQL默认的事务隔离级别和其影响介绍

MySQL默认的事务隔离级别是REPEATABLE READ，它是一种可重复读取的隔离级别，它允许事务在它的生命周期内可重复读取相同的数据。它支持可重复读取，即在事务的生命周期内，不受其他事务的影响，可以多次读取相同的数据，但不能防止脏读，不可重复读取和虚读。 REPEATABLE READ的影响 阻止脏读：REPEATABLE READ可以阻止脏读，即一个事务读取另一个事务未提交的数据。 不可重复读取：REPEATABLE READ不能阻止不可重复读取，即一个事务多次读取同一行数据，但每次

【机器学习】李宏毅——Explainable ML(可解释性的机器学习)

本文介绍了Explainable ML(可解释性的机器学习)的相关内容，抱愧这项技术的相关概述、当前发展等等。 在前面的学习之中，我们已经学习了很多的模型，它能够针对特定的任务，接受我们的输入并产生目标的输出。但我们并不满足于此，我们甚至希望机器告诉我们，它是如何得到这个答案的，而这就是可解释的机器学习。 Why we need Explainable ML 首先我们要明确，即使我们训练出来的

MySQL如何打开可视化界面进行操作和管理

MySQL是一种关系型数据库管理系统，可以通过可视化界面进行操作和管理，让用户更加便捷地管理数据库。MySQL可视化界面的打开方法如下： 1. 下载安装MySQL可视化工具 用户需要到MySQL官网下载最新版本的MySQL可视化工具，安装完成后，就可以正常使用了。 2. 连接MySQL数据库 用户需要使用MySQL可视化工具连接MySQL数据库，可以使用本地数据库，也可以使用远程数据库。用户需要准备好MySQL数据库的IP地址、用户名和密码，输入到MySQL可视化工具中，点击连接，就可以成功连

使用Navicat实现MySQL数据导入的方法和注意事项

使用Navicat实现MySQL数据导入是一个比较常见的操作，它可以帮助用户快速将数据从本地文件导入MySQL数据库中。下面介绍。 1. 安装Navicat 需要安装Navicat，它是一款专业的MySQL数据库管理软件，可以帮助用户实现MySQL数据导入、导出、查询等功能。安装Navicat之后，可以打开Navicat，点击“文件”-“新建连接”，输入MySQL服务器的主机名、用户名和密码，即可连接到MySQL服务器。 2. 选择要导入的文件 点击“工具”-“数据传输”，点击“新建传输”，在