目录1.线性回归损失函数的极大似然推导：西瓜书公式3.4除了用最小二乘法以外，怎么用极大似然推得？2：一元线性回归的参数求解公式推导：西瓜书公式3.7和3.8怎么推来的？公式3.7，3.8推导：（一不小心就出错了，哈哈）3：多元线性回归的参数求解公式推导：西瓜书公式3.10和3.11怎么推来的？则3.10推导：3.11推导：4：线性回归损失函数的最优化算法：（1）批量梯度下降（Batch Grad
转载
2024-05-16 12:30:27
80阅读
增加了一个点之后，使得拟合出来的线性函数变成了蓝色的直线。这个时候以0.5为界限的那个点对应的x值，并没有完全将样本值分类正确 例如本来有两个应该是yes 患肿瘤。 由于蓝色线，这两个样本对应的x在蓝色线上的拟合y是小于0.5的，会错误的判定为no不患肿瘤。仅仅增加了一个样本就使得判定发生了这么多错误，因此并不是所有的分类问题都可以用线性的方式来解决。 另外，用线性回归算出来的预测值可能会大于1
转载
2024-09-03 12:44:33
257阅读
01回归系数注意回归系数的正负要符合理论和实际。截距项的回归系数无论是否通过T检验都没有实际的经济意义。02回归系数的标准差标准误差越大，回归系数的估计值越不可靠，这可以通过T值的计算公式可知（自查）。03T检验T值检验回归系数是否等于某一特定值，在回归方程中这一特定值为0，因此T值=回归系数/回归系数的标准误差，因此T值的正负应该与回归系数的正负一致，回归系数的标准误差越大，T值越
转载
2024-02-09 15:23:33
2305阅读
Logistic 回归逻辑斯谛回归实质上是一种分类算法。由于历史原因名称中带有“回归”二字。从传统统计学角度看传统线性回归模型无法处理因变量是0-1型变量的情况，于是引入因变量y的均值从机器学习角度看模型与朴素贝叶斯相比，逻辑斯谛回归模型使用了属于正类的概率服从logistic分布(逻辑函数)这一先验信息，模型参数少。即 那么，这一分布有什么意义呢？一个事件的几率是该事件发生的概率与不发生的比值，
转载
2024-08-07 19:25:33
138阅读
DWR整体流程分析
(一)三个基本的准则 对于理解ajax理解dwr有一定的帮助
1、浏览器：应用而非内容(非显示)
我们在以往的web编程中，浏览器仅仅是为了显示页面而存在，但是现在有了ajax，浏览器不单单就是为了显示，为什么这么说呢？因为以往的web编程中，浏览器是把服务器发送给浏览器的这个页面给显示出来，仅仅完成这样的一些工作，它其中也嵌入一
目录任务二 逻辑回归算法梳理1、逻辑回归与线性回归的联系与区别2、 逻辑回归的原理3、逻辑回归损失函数推导及优化4、 正则化与模型评估指标5、逻辑回归的优缺点6、样本不均衡问题解决办法7、sklearn参数任务二 逻辑回归算法梳理1、逻辑回归与线性回归的联系与区别（1）线性回归要求变量服从正态分布，logistic回归对变量分布没有要求。（2）线性回归主要应用预测连续变量，如房屋价格；逻辑回归主要
1 线性判别分析介绍1.1 什么是线性判别分析线性判别分析（Linear Discriminant Analysis，简称LDA）是一种经典的监督学习算法，也称"Fisher 判别分析"。LDA在模式识别领域（比如人脸识别，舰艇识别等图形图像识别领域）中有非常广泛的应用。LDA的核心思想是给定训练样本集，设法将样例投影到一条直线上。使得同类样例的投影点尽可能接近、异类样例的投影点尽可能远；在对新样
一、前言本章开始之前先来了解一下几个概念：预测值和真实值预测值为模型自动计算的结果（标签）真实值为数据本身的结果损失函数损失函数是用来权衡预测值和真实值之间的差异的，通过这个差异我们可以判断模型参数的好坏，指导模型如何做下一步优化。最简单的损失函数如均方差，通过预测值和真实值之间的差值来计算预测的差异性二、线性回归1、基础概念线性回归主要是基于一种假设：我们所要求解的目标变量y和特征变量x之间呈线
PCA的降维原则是最小化投影损失，或者是最大化保留投影后数据的方差。LDA降维需要知道降维前数据分别属于哪一类，而且还要知道数据完整的高维信息。拉普拉斯特征映射 (Laplacian Eigenmaps，LE)看问题的角度和LLE十分相似。它们都用图的角度去构建数据之间的关系。图中的每个顶点代表一个数据，每一条边权重代表数据之间的相似程度，越
注意，本例是围绕OLS回归模型展开的，LAD回归模型没有打印R方和MSE。输出示例如下：拟合曲线、残差分析图输出的R方值（0.8701440026304358）和MSE值（4.45430204758885）还有LAD模型的参数（一个2乘1的矩阵)，如图# pandas库相关，用于读取csv文件
import pandas as pd
# statsmodels库相关
# 用于定义线性回归中一个被称
转载
2024-07-23 20:11:53
52阅读
对于二分类问题，机器预测的和实际的还是会有所偏差，所以我们引入以下几个概念来评价分类器的优良。一、TP、TN、FP、FN概念首先有关TP、TN、FP、FN的概念。大体来看，TP与TN都是分对了情况，TP是正类，TN是负类。则推断出，FP是把错的分成了对的，而FN则是把对的分成了错的。（我的记忆方法：首先看第一个字母是T则代表分类正确，反之分类错误；然后看P，在T中则是正类，若在F中则实际为负类分成
转载
2024-08-13 10:10:01
58阅读
1>线性回归 线性回归是利用数理统计中回归分析，来确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法，运用十分广泛。其表达形式为y = w’x+e，e为误差服从均值为0的正态分布。回归分析中，只包括一个自变量和一个因变量，且二者的关系可用一条直线近似表示，这种回归分析称为一元线性回归分析。如果回归分析中包括两个或两个以上的自变量，且因变量和自变量之间是线性关系，则称为多元线性回归分
转载
2024-04-30 13:50:33
236阅读
灰度化的原因 （1）识别物体，最关键的因素是梯度（SIFT/HOG），梯度意味着边缘，这是最本质的部分，而计算梯度，自然就用到灰度图像了，可以把灰度理解为图像的强度。 （2）颜色，易受光照影响，难以提供关键信息，故将图像进行灰度化，同时也可以加快特征提取的速度。仿射不变性平面上任意两条线，经过仿射变换后，仍保持原来的状态（比如平行的线还是平行，相交的线夹角不变等）什么是局部特征？局部特征应该具有的
restful，指的是web开发中的一种接口风格，但凡稍微接触过web开发的都应该了解过。rest是Representational State Transfer的缩写，翻译后意为”表征状态转移“。刚开始接触rest的时候对这个”表征状态转移“一脸懵逼，但现在一看翻译的确实很精准，这个词应该从两方面理解，即”表征“和”状态转移“。表征：Representational翻译过来是”具体的“，rest
一、逻辑回归介绍逻辑回归（Logistic Regression）是机器学习中的一种分类模型，逻辑回归是一种分类算法，虽然名字中带有回归。由于算法的简单和高效，在实际中应用非常广泛。1. 逻辑回归的应用场景广告点击率是否为垃圾邮件是否患病金融诈骗虚假账号看到上面的例子，我们可以发现其中的特点，那就是都属于两个类别之间的判断。逻辑回归就是解决二分类问题的利器2. 逻辑回归的原理要想掌握逻辑回归，必须
一、实验过程及结果1.调试并理解回归示例的源代码实现regression.py。掌握其中的datasets.make_regression函数和np.random.normal函数。并生成500个1维的回归数据，以及100个噪声点，作为数据集。def data(n_samples, n_outliers): # 样本数,噪声点
# X：输入样本 y：输出值 coef：基础
转载
2024-02-13 19:14:43
66阅读
数据库导出有四种模式：full(全库导出), owner(用户导出), table(表导出), tablespace(表空间导出).full( 全库导出): 导出除ORDSYS,MDSYS,CTXSYS,ORDPLUGINS,LBACSYS 这些系统用户之外的所有用户的数据.owner( 用户导出): 导出某个或某些用户的所有权限和数据.tables( 表导出): 导出某些表(可以是不同用户的)的
转载
2024-10-23 15:38:07
31阅读
寄存器,处理器内部需要高速存储单元,用于存储程序执行过程中的代码和数据
这些存储单元称为寄存器.寄存器-
通用寄存器
这类寄存器在处理器中用的最多,使用频度较高,具有多种用处.专用寄存器
用于记录将要执行指令的主存地址,标志寄存器用于保存指令执行的辅助信息通用寄存器：一般是指处理器最常用的整数通用的寄存器,可用于保存整数数据,地址
IA-32处理器,只有8个32位32位通用寄存器数量有限.EAX
关于显著度的研究是从生物研究发展而来，早期比较重要的工作是C.Koch与S.Ullman做的，时间可以追溯到1985年。 显著度的获取方式主要有两种：自上而下，从高层语义入手，其实目标检测等等也可以归入这一类中；更普遍的是自下而上，从底层特征入手。直到现在，第二种自下而上的方法仍是主流。 从CV角度研究显著度问题从1998年开始，开创者是Itti。其最出名的文章是A mod
