- 综合排序
- 最热优先
- 最新优先
- 来自专栏AI机器学习与深度学习算法
机器学习入门 9-4 实现逻辑回归算法
本小节主要依据sklearn的设计理念封装我们自己的逻辑回归算法，最后在jupyter中调用并实现。 a 实 现 逻 辑 回 归 算 法 在之前的小节中详细推导了逻辑回归算法的损失函数。 由于逻辑回归算法没有解析解，只能通过梯度下降算法更新迭代求解，因此我们又详细推导了损失函数相应的梯度向量以及向量化的梯度表达式。 通过之前的学习我们知道逻辑回归算法和线性回归算法有很多相似之处，我们完全可以在原来实现的LinearRegression基础上修改成LogisticRegression。 接下来就具体的实现我们自己的逻辑回归算法： 导入相应的模块 由于逻辑回归算法解决的是分类问题，所以通过accuracy_score准确率来评估模型的好坏。 在这里我们仿照sklearn中的设计模式，将LogisticRegression封装成类，通过在类中定义方法实现相应的算法逻辑。
87820发布于 2020-02-26 - 来自专栏mysql
hhdb数据库介绍(9-4)
计算节点有两类用户，一类是计算节点数据库用户，用于操作数据，执行SELECT，UPDATE，DELETE，INSERT等SQL语句。另一类是关系集群数据库可视化管理平台用户，用于管理配置信息。此章节将着重介绍计算节点用户相关内容。
43110编辑于 2025-03-10 - 来自专栏数据安全架构与治理
《数据安全架构设计与实战》勘误表
本着为读者负责的原则，现将勘误表发布出来： 2019年12月第1版第2次印刷勘误 P102（9.3节）图9-4第四个方框应为“乙方私钥解密” P149（12.4.4节）“HIDS需要针对以上口风险”应为 2019年10月第1版第1次印刷勘误 P98（9.1节）图9-1右下侧编号⑧应为编号⑤ P102（9.3节）图9-4第四个方框应为“乙方私钥解密” P126（11.3节）“访问使用临时随机口令”应为“访客使用临时随机口令 ”应为“登录的来源IP地址” P149（12.4.4节）“HIDS需要针对以口风险”应为“HIDS需要针对以上风险” P210（15.6.1节）提示改为勾选框 P245（16.4.1节）“SM示例加密算法 ”应为“SM系列加密算法” 前言致谢名单少一个顿号 后续大家可以访问 https://github.com/zhyale/book1 ，点击 “勘误.md” 文件，即可看到更新的内容。
56920编辑于 2022-06-02 - 来自专栏算法工程师的学习日志
C++代码编程的一个小插曲
方程组为：x^9-4*x^5-5*x^3-270000=0，范围为0~10； C++代码方式： #include <iostream> #include "math.h" #include <iomanip 0; } cout是我调试用的，便于实时看看结果 输出结果可以看到为4.02057 为了验证我的结果是否正确，我在用matlab自带的fsolve函数来求解一遍 >> x = fzero("x^9- 4*x^5-5*x^3-270000",2); >> x x = 4.0206 >> x^9-4*x^5-5*x^3-270000 ans = -5.8208e-11 和我的结果很接近 而且这个误差符合要求，但我把C++的计算结果4.02057带入方程组去计算，发现这个误差值为1.897，和预计的相差较大， >> x = 4.02057 x = 4.0206 >> x^9- endl; return 0; } 此时的x为：4.020566884828，在matlab中计算一下 >> x = 4.020566884828 x = 4.0206 >> x^9-
53420编辑于 2022-07-27 - 来自专栏IT技术圈（CSDN）
浙大版《C语言程序设计（第3版）》题目集 习题9-4 查找书籍
习题9-4 查找书籍 给定n本书的名称和定价，本题要求编写程序，查找并输出其中定价最高和最低的书的名称和定价。 输入格式: 输入第一行给出正整数n（<10），随后给出n本书的信息。
2.5K30发布于 2020-09-15 - 来自专栏机器学习与自然语言处理
Stanford机器学习笔记-9. 聚类(Clustering)
一个非聚类的例子是鸡尾酒会算法，即从带有噪音的数据中找到有效数据(信息)，例如在嘈杂的鸡尾酒会你仍然可以注意到有人叫你。所以鸡尾酒会算法可以用于语音识别(详见wikipedia)。 K均值(K-means)算法是一个广泛使用的用于簇划分的算法。 经过若干次迭代后，该算法将会收敛，也就是继续迭代不会再影响簇的情况。 在某些应用中，样本可能比较连续，看起来没有明显的簇划分，但是我们还是可以用K均值算法将样本分为K个子集供参考。 例如根据人的身高和体重划分T恤的大小码，如图9-4所示。 ? 图9-4 K-means for non-separated clusters 9.3 Optimization objective image.png 9.4 Random Initialization
1.6K110发布于 2018-03-13 - 来自专栏机器学习算法与Python学习
机器学习(7) -- k-means 聚类
K均值(K-means)算法是一个广泛使用的用于簇划分的算法。 图9-3 K均值算法的演示 通过上述描述，下面我们形式化K均值算法。 输入： K (number of clusters) Training set ? 例如根据人的身高和体重划分T恤的大小码，如图9-4所示。 ? 图9-4 K-means for non-separated clusters 9.3 Optimization objective 重新描述在K均值算法中使用的变量： = index of cluster K均值算法可能陷入局部最优。为了减少这种情况的发生，我们可以基于随机初始化，多次运行K均值算法。
1.5K50发布于 2018-04-04 - 来自专栏Python小屋
微课|《Python编程基础与案例集锦（中学版）》第9章例题讲解（2）
例9-4 使用turtle绘制图形，响应鼠标左键、中键、右键的单击事件。
48720发布于 2020-05-08 - 来自专栏信息技术智库
《画解算法》1.两数之和【python实现】
for(int j = i + 1; j < n; ++j ) { if nums[i] + nums[j] == target ... } } 暴力求解的算法时间复杂度为指数级 这种方法在最坏的情况下，对数组遍历了2次，也就是算法的时间复杂度是O(2n)，去掉前导系数是O(n)，虽然是相比暴力求解，算法的时间复杂度降低了，但是还有优化的空间。 find(9-4), 存在那返回这两个数的下标，如果不存在，那么将 4 放入hash表。 find(9-6), 存在那返回这两个数的下标，如果不存在，那么将 6 放入hash表。
45030编辑于 2022-07-29 - 来自专栏智能大数据分析
分类规则挖掘（二）
2、Hunt算法框架 Hunt算法是Hunt等人1966年提出的决策树算法，它在选择划分训练集的属性时采用贪心策略，将训练集相继划分成较纯 (包括更少类别) 的子集，以递归方式建立决策树，并成为许多决策树算法的衍生框架 定义9-4 设 S 是有限个样本点的集合，其条件属性 A 划分 S 所得子集为 \{S_1,S_2,\cdots,S_v\} ，则定义 A 划分样本集 S 的信息熵 (简称属性 A 的分类信息熵) 为 E(S,A)=-\sum_{j=1}^{v}\frac{|S_j|}{|S|}\log_2\frac{|S_j|}{|S|}\tag{9-4} 其中 |S_j|/|S| 也称为 （四）C4.5算法 C4.5算法不仅继承了ID3算法的优点，并增加了对连续型属性和属性值空缺情况的处理，对树剪枝也使用了当时更为成熟的方法。 的信息增益率为 gainRatio(S, A)= gain(S, A|C)/E(S,A)\tag{9-8} 其中， gain(S, A|C) 由公式 (9-7) 计算， E(S,A) 由公式 (9-
40810编辑于 2025-01-22 - 来自专栏全栈程序员必看
体验vSphere 6之7-为虚拟机启用容错
图9-3 为辅助虚拟机选择数据存储 （4）在”选择主机”对话框，为辅助虚拟机选择主机，如图9-4所示。辅助虚拟机、主机要运行在不同的主机上。 图9-4 为辅助虚拟机选择主机 （5）在”即将完成”对话框，显示辅助虚拟机详细信息，这包括辅助虚拟机所在主机、配置文件位置、硬盘位置等，如图9-5所示。
1.5K40编辑于 2021-12-23 - 来自专栏AI科技大本营的专栏
测试数据科学家聚类技术的40个问题（能力测验和答案）（下）
假设你想使用K均值聚类算法将7个观测值聚类到3个簇中。 10 5 * sqrt（2） 13 * sqrt（2） 以上都不是 答案：A （4,4）和（9,9）的 Manhattan 距离是：（9-4）+（9-4）= 10。 Q28. 下面对基于质心的K均值聚类分析算法和基于分布的期望最大化聚类分析算法的描述，哪些是不正确的？ 都从随机初始化开始 都是可迭代算法 两者对数据点的假设很强 都对异常值敏感 期望最大化算法是K均值的特殊情况 都需要对所需要的簇数有先验知识 结果是不可再现的。 下面关于 DBSCAN 聚类算法的描述不正确的是？
1.7K40发布于 2018-04-26 - 来自专栏A周立SpringCloud
Config Server——使用Spring Cloud Bus自动刷新配置
图9-4 使用Spring Cloud Bus的架构图 如图9-4，我们将Config Server也加入到消息总线中，并使用Config Server的/bus/refresh端点来实现配置的刷新。
2.1K50发布于 2018-04-02 - 来自专栏技术分享
【算法】----BF算法&KMP算法
我们今天所讨论的两个算法就是有关该过程的算法。 事实上，对于检索，无非就是两个字符串的匹配过程，模式串是你想要匹配的串，主串是你搜索所在串。 BF算法和KMP算法是较为著名的模式匹配算法，接下来作出详细介绍。 BF算法 BF算法(Brute-Force)也称为暴力算法，其核心原理是逐个比较文本串和模式串的字符，如果匹配失败，则通过向右移动模式串的位置，再次进行比较。 在实际情况下，BF算法的效率并不高，特别是当文本串T和模式串P的长度很大时。对于较长的文本串和模式串，BF算法的时间复杂度可能会导致性能问题。 答案就是KMP算法。 KMP算法 KMP算法的核心思想是利用模式串自身的特点来加速匹配过程，避免重复匹配。
58110编辑于 2024-06-18 - 来自专栏PPV课数据科学社区
【算法】PCA算法
小编邀请您，先思考： 1 PCA算法的原理是什么？ 2 PCA算法有什么应用？
2K40发布于 2018-04-18 - 来自专栏用代码征服天下
算法——排序算法
基本思想：现在有一个数组arr= {12,35,99,18,76}，需要将其从小到大排序
1K10编辑于 2022-05-09 - 来自专栏跟着小郑学JAVA
数电模电（三） 时序电路触发器 基本RS触发器 同步RS触发器 主从RS触发器 JK触发器 主从D触发器
，不然看S，S是1，输出就是1，反之就是0 波形： ---- 三：主从RS触发器 真值表： CP=1 保持 CP=0 R S Q 0 0 不变 0 1 1 1 0 0 1 1 不定 波形见例题9-
5.4K30编辑于 2023-07-31 - 来自专栏数据科学与人工智能
【算法】PCA算法
小编邀请您，先思考： 1 PCA算法的原理是什么？ 2 PCA算法有什么应用？
1.9K60发布于 2018-03-27 - 来自专栏数据科学与人工智能
【算法】Adaboost 算法
小编邀请您，先思考： 1 Adaboost算法的原理是什么 ？ 2 Adaboost算法如何实现？ 是一个加法模型，而Adaboost算法其实是前向分步算法的特例。那么问题来了，什么是加法模型，什么又是前向分步算法呢？ 3.1 加法模型和前向分步算法 如下图所示的便是一个加法模型 ? 这个优化方法便就是所谓的前向分步算法。 下面，咱们来具体看下前向分步算法的算法流程： 输入：训练数据集 ? 损失函数： ? 基函数集： ? 输出：加法模型 ? 3.2 前向分步算法与Adaboost的关系 在上文第2节最后，我们说Adaboost 还有另外一种理解，即可以认为其模型是加法模型、损失函数为指数函数、学习算法为前向分步算法的二类分类学习方法。 前向分步算法逐一学习基函数的过程，与Adaboost算法逐一学习各个基本分类器的过程一致。 下面，咱们便来证明：当前向分步算法的损失函数是指数损失函数 ?
2.5K140发布于 2018-03-27 - 来自专栏数据科学与人工智能
【算法】SVD算法
2 SVD算法与PCA算法有什么关联？ 3 SVD算法有什么应用？ 4 SVD算法如何优化？ 前言 奇异值分解(Singular Value Decomposition，简称SVD)是在机器学习领域广泛应用的算法，它不光可以用于降维算法中的特征分解，还可以用于推荐系统，以及自然语言处理等领域，是很多机器学习算法的基石 本文就对SVD的原理做一个总结，并讨论在在PCA降维算法中是如何运用运用SVD的。 也可以用于推荐算法，将用户和喜好对应的矩阵做特征分解，进而得到隐含的用户需求来做推荐。同时也可以用于NLP中的算法，比如潜在语义索引（LSI）。 SVD小结 SVD作为一个很基本的算法，在很多机器学习算法中都有它的身影，特别是在现在的大数据时代，由于SVD可以实现并行化，因此更是大展身手。
2K121发布于 2018-03-27
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号