这一篇文章主要介绍在机器学习中的一些基础的数学知识, 包括最优化问题的求解, 矩阵的运算等, 例如矩阵的求导, 矩阵的SVD分解, 拉格朗日乘子法, 高斯分布的均值方差求解等问题.
机器学习
机器学习
机器学习
基于矩阵分解的协同过滤
这一篇文章主要介绍基于矩阵分解的协同过滤算法, 会介绍常用的算法, 例如FunkSVD, 加入正则化, 加入偏置(BiasSVD). 同时会给出相关的代码实现.
机器学习
决策树案例(Decision Tree)与决策树的可视化
这一篇简单介绍一下使用决策树来进行分类任务, 同时我们会对决策树的结果进行可视化的显示. 这里会使用iris的例子进行分析.
机器学习
熵, 交叉熵, 和KL散度
在机器学习中, 我们经常会遇到熵, 交叉熵还有KL-散度的概念, 这一篇就主要介绍一下这三者的关系.
多元统计
主成分分析(Principal component analysis, PCA)例子–Python
这一篇是关于PCA的实战, 我们会举一个例子, 看一下PCA具体在实战中是如何来进行的. 同时我们会比较同一个数据下, 使用PCA(主成分分析)和FA(因子分析)得到结果的不同.
多元统计
因子分析(factor analysis)例子–Python
这里举一个因子分析的具体的例子, 看一下因子分析是如何进行的, 以及最后的效果.
机器学习
常用的工具函数整理
这里就是一些常用的工具函数, 可以在需要的时候快速的进行使用.
机器学习
ROC曲线的绘制与AUC的计算
这一篇文章主要介绍一下ROC曲线和AUC值, 两者是什么, 是如何进行计算的, 以及在实际使用的过程中我们应该如何写代码来得到想要的图像和计算出想要的指标.
机器学习
模型评价指标说明与实践–混淆矩阵的说明
这一篇会介绍关于模型的评价指标，介绍每个指标的含义以及如何进行计算和如何代码实现。
机器学习
数据样本不平衡时处理方法(Resampling strategies for imbalanced datasets)
这一篇介绍一下关于样本不平衡的处理的方式，主要介绍两种采样方式，分别是上采样和下采样。这里主要介绍最简单的上采样和下采样，更多的内容见文章中的链接。
