之前我们讨论的PCA、ICA也好，对样本数据来言，可以是没有类别标签y的。回想我们做回归时，如果特征太多，那么会产生不相关特征引入、过度拟合等问题。我们可以使用PCA来降维，但PCA没有将类别标签考虑进去，属于无监督的。 比如回到上次提出的文档中含有“learn”和“study”的问题，使用PCA后 ...
分类：
其他好文 时间：
2017-10-11 15:24:16
阅读次数：
133
第13章 利用 PCA 来简化数据 降维技术 场景 我们正通过电视观看体育比赛，在电视的显示器上有一个球。 显示器大概包含了100万像素点，而球则可能是由较少的像素点组成，例如说一千个像素点。 人们实时的将显示器上的百万像素转换成为一个三维图像，该图像就给出运动场上球的位置。 在这个过程中，人们已经 ...
分类：
其他好文 时间：
2017-10-09 14:49:49
阅读次数：
920
1 import numpy as np 2 # 将二维数据降成1维 3 num = [(2.5, 2.4), (0.5, 0.7), (2.2, 2.9), (1.9, 2.2), (3.1, 3.0), (2.3, 2.7), (2, 1.6), (1, 1.1), (1.5, 1.6), (1... ...
分类：
其他好文 时间：
2017-10-02 20:18:20
阅读次数：
136
链接 分析：dp[i][j]表示前i个数，组成j，最少需要多少个。dp[i][j]=min(dp[i-1][j],dp[i-1][j-k*v[i]]+k)，则可以转化为完全背包问题，同样的方法进行降维处理即可。 1 #include "iostream" 2 #include "cstdio" 3 ...
分类：
其他好文 时间：
2017-09-25 23:01:37
阅读次数：
336
在机器学习中，特征选择和降维感觉好像差不多，维度都降低了，今天和其他同学交流学习才知道其实不然，区别很大。 一般情况下，我们不会使用原始数据直接去进行训练，因为原始数据的特征明显，信息丰富，我们训练后的效果对于训练集非常好，而对于测试集来说就很差了。这就是过拟合问题。 当我们进行特征提取后，维度依然 ...
分类：
其他好文 时间：
2017-09-23 19:04:16
阅读次数：
197
主成分分析 （ Principal Component Analysis ， PCA ）或者主元分析。用于数据降维。 强大的矩阵奇异值分解(SVD)及其应用 http://www.cnblogs.com/LeftNotEasy/archive/2011/01/19/svd-and-applicati ...
分类：
其他好文 时间：
2017-09-22 00:57:23
阅读次数：
136
今天晚上突然脑子不知怎么的，本来正在人工给12306验证码做打标工作，突然想看看双色球每期的开奖结果是否有规律 从这里下载从03年到今年的每期双色球开奖结果 用t-SNE降维到3维打印出来看看 似乎并没有什么规律 准备用线性回归来拟合一个模型，马上就有一个问题，对于双色球预测，自变量取什么？这是个非 ...
分类：
其他好文 时间：
2017-09-14 00:39:28
阅读次数：
270
1.头文件 短的： 长的： 超神读入挂 矩阵快速幂 降维线段树 字典树求异或值 lucas定理 O(n)预处理Cm n 自适应simpson积分 日期公式 ...
分类：
其他好文 时间：
2017-09-10 23:50:47
阅读次数：
280
参考资料：Mastering Machine Learning With scikit-learn 降维致力于解决三类问题。第一，降维可以缓解维度灾难问题。第二，降维可以在压缩数据的同时让信息损失最 小化。第三，理解几百个维度的数据结构很困难，两三个维度的数据通过可视化更容易理解 PCA简介 主成分 ...
分类：
其他好文 时间：
2017-09-07 12:08:31
阅读次数：
251
首先要强化和明确已知和未知，明确条件和问题。 根据已知和问题不断进行降元、降维；缩小解的范围。 然后认真排查。 遇到问题， 不要惊慌， 已知未知， 首先明确， 降维降元， 反复求索， 大胆假设， 小心求证， 缩小范围， 得到真解。 ...
分类：
其他好文 时间：
2017-08-31 14:39:48
阅读次数：
103
