摘要 EM算法主要分为两个步骤：E-step和M-step，主要应用在概率模型中。机器学习中，概率模型在进行参数估计时，我们主要应用的是最大似然估计，所以在对EM算法进行讨论时，是离不开最大似然估计的。EM算法主要是用来解决那些样本中存在隐变量的情况。E-step固定模型参数通过数学模型求解隐变量，M-step根据E-step求得的隐变量在通过
摘要逻辑回归是用在分类问题中，而分类为题有存在两个比较大的方向：分类的结果用数值表是，比如1和0(逻辑回归采用的是这种)，或者-1和1(svm采用的)，还有一种是以概率的形式来反应，通过概率来说明此样本要一个类的程度即概率。同时分类问题通过适用的场合可以分为：离散和连续，其中决策树分类，贝叶斯分类都是适用离散场景，但是连续场景也可以处理，只是处理起来比较麻烦，而逻辑回归就是用在连续特征空间中的，并
摘要这篇博客是从一个网上下载的资料关于模糊c均值聚类和k-means均值聚类的数学方法衍生而来。我下载的那个文章讨论的不是很清楚，还有一些错误的地方，有些直接给了结果，但是中间的数学推导没有给出，我感觉中间的数学推导应该是最精华的地方，上网搜发现网上对于这两个算法的数学推导还是很少的甚至是没有，百度文库有一篇，但是推导的是用穷举找规律，数学的味道不是很浓厚。在这篇文章的基础上，我增加了一些数学方面
摘要牛顿冷却定律数学模型一般都是用来与时间有关的衰减的模型上，比如随着时间的变化，用户对某一个品类商品的衰减过程变化，用户在投票过程中对票数衰减过程的模拟等基本原理都是建立在牛顿冷却定律的基础之上，增加相应的边界条件，从而得到适合自己应用场景的模型。牛顿冷却定律模型牛顿冷却定律所描述的一件事情是，一个比较热的物体，在一个温度比这个物体低的环境下，这个较热的物体的温度是要降低的，周围的温度是要上升的
摘要在大数据算法中，聚类算法一般都是作为其他算法分析的基础，对数据进行聚类可以从整体上分析数据的一些特性。聚类有很多的算法，k-means是最简单最实用的一种算法。在这里对k-means算法的原理以及其背后的数学推导做一些详细的介绍，并讨论在实际应用中要避免的一些坑。算法k-means算法很简单，但是当我们正真把这个算法用在生产中时还是存在很多的细节需要考虑的，这些细节将要在后面进行讨论。首先给出
本文汇编了一些机器学习领域的框架、库以及软件（按编程语言排序）。C++计算机视觉CCV —基于C语言/提供缓存/核心的机器视觉库，新颖的机器视觉库OpenCV—它提供C++, C, Python, Java 以及 MATLAB接口，并支持Windows, Linux, Android and Mac OS操作系统。通用机器学习MLPackDLibecoggsharkClosure通用机器
Copyright © 2005-2024 51CTO.COM 版权所有 京ICP证060544号
