diff --git a/docs/2.k-近邻算法.md b/docs/2.k-近邻算法.md index a34614dd..9dd435fc 100644 --- a/docs/2.k-近邻算法.md +++ b/docs/2.k-近邻算法.md @@ -1,7 +1,7 @@ # 第2章 k-近邻算法 -![k-近邻算法_首页](/images/2.KNN/knn-0-headpage.jpg "k-近邻算法首页") +![k-近邻算法_首页](/images/2.KNN/k-近邻算法首页_xy.png "k-近邻算法首页") 众说周知，电影可以按照题材分类的；而我们却知道每部电影在风格上的确可能和同题材的电影相近。 那么动作片具有哪些共有特征，使得动作片之间非常相似，而与爱情片存在着明显的差别呢？
@@ -133,3 +133,9 @@ $$\sqrt{(0-67)^2 + (20000-32000)^2 + (1.1-0.1)^2 }$$ * 阅读本章之前建议阅读一下numpy的文档 * [numpy英文文档](https://docs.scipy.org/doc/numpy-dev/user/quickstart.html "NumPy英文文档") * [numpy中文文档](http://old.sebug.net/paper/books/scipydoc/numpy_intro.html "NumPy中文文档") +* * * + + +* **作者：[小瑶](http://www.apache.wiki/users/viewmyprofile.action)** +* [GitHub地址](https://github.com/apachecn/MachineLearning): +* **版权声明：欢迎转载学习 => 请标注信息来源于 [ApacheCN](http://www.apache.wiki)** diff --git a/docs/3.决策树.md b/docs/3.决策树.md index a4914a7b..e65bbaf6 100644 --- a/docs/3.决策树.md +++ b/docs/3.决策树.md @@ -2,7 +2,7 @@ # 第3章 决策树 -![决策树_首页](/images/3.DecisionTree/DecisionTree_headpage.jpg "决策树首页") +![决策树_首页](/images/3.DecisionTree/DecisionTree_headpage_xy.png "决策树首页") ## 决策树简介 @@ -105,3 +105,8 @@ * 简单来说：就是从一个数据集中随机选取子项，度量其被错误分类到其他分组里的概率。 * 流程介绍图 * ![决策树流程介绍图](/images/3.DecisionTree/决策树流程介绍图.jpg) +* * * + +* **作者：[小瑶](http://www.apache.wiki/users/viewmyprofile.action)** +* [GitHub地址](https://github.com/apachecn/MachineLearning): +* **版权声明：欢迎转载学习 => 请标注信息来源于 [ApacheCN](http://www.apache.wiki)** \ No newline at end of file diff --git a/docs/4.朴素贝叶斯.md b/docs/4.朴素贝叶斯.md index 796a818a..1c0f22fd 100644 --- a/docs/4.朴素贝叶斯.md +++ b/docs/4.朴素贝叶斯.md @@ -2,7 +2,7 @@ # 第4章 基于概率论的分类方法：朴素贝叶斯 -![朴素贝叶斯_首页](/images/4.NaiveBayesian/朴素贝叶斯_首页.png "朴素贝叶斯首页") +![朴素贝叶斯_首页](/images/4.NaiveBayesian/NavieBayesian_headPage_xy.png "朴素贝叶斯首页") ## 使用概率分布进行分类 @@ -131,3 +131,9 @@ p(ci|x,y) = p(x,y|ci)·p(ci)/p(x,y) * 总结 * 这一块代码比较乱，最好先把公式理一理再看 * 可以参考一下[阮一峰的博客](http://www.ruanyifeng.com/blog/2013/12/naive_bayes_classifier.html) +* * * + +* **作者：[小瑶](http://www.apache.wiki/users/viewmyprofile.action)** +* [GitHub地址](https://github.com/apachecn/MachineLearning): +* **版权声明：欢迎转载学习 => 请标注信息来源于 [ApacheCN](http://www.apache.wiki)** + diff --git a/docs/5.Logistic回归.md b/docs/5.Logistic回归.md index 1364628c..586edcc5 100644 --- a/docs/5.Logistic回归.md +++ b/docs/5.Logistic回归.md @@ -1,7 +1,7 @@ # 第5章 Logistic回归 -![朴素贝叶斯_首页](/images/5.Logistic/Logistic回归首页.png "Logistic回归首页") +![朴素贝叶斯_首页](/images/5.Logistic/LogisticRegression_headPage_xy.png "Logistic回归首页") ## Sigmoid函数和Logistic回归分类器 @@ -116,4 +116,8 @@ * 5.4 代价函数 * 5.5 简化的成本函数和梯度下降 * 5.6 高级优化 - * 5.7 多类分类：一个对所有 +* * * + +* **作者：[小瑶](http://www.apache.wiki/users/viewmyprofile.action)** +* [GitHub地址](https://github.com/apachecn/MachineLearning): +* **版权声明：欢迎转载学习 => 请标注信息来源于 [ApacheCN](http://www.apache.wiki)** diff --git a/docs/8.预测数值型数据：回归.md b/docs/8.预测数值型数据：回归.md index dc586ecd..a5f63172 100644 --- a/docs/8.预测数值型数据：回归.md +++ b/docs/8.预测数值型数据：回归.md @@ -163,4 +163,9 @@ 当数据的样本数比特征数还少的时候，矩阵x^Tx的逆不能直接计算。即便当样本数比特征数多时，x^Tx的逆仍有可能无法直接计算，这是因为特征有可能高度相关。 这时可以考虑使用岭回归，因为当x^Tx的逆不能计算时，它仍保证能求得回归系数。 岭回归是缩减法的一种，相当于对回归系数的大小施加了限制。另一种很好的缩减法是lasso。Lasso难以理解，但可以使用计算简便的逐步线性回归方法来求得近似结果。 - 缩减法还可以看做是对一个模型增加偏差的同时减少方差。偏差方差折中是一个重要的概念，可以帮助我们理解现有模型并做出改进，从而得到最好的模型。 \ No newline at end of file + 缩减法还可以看做是对一个模型增加偏差的同时减少方差。偏差方差折中是一个重要的概念，可以帮助我们理解现有模型并做出改进，从而得到最好的模型。 +* * * + +* **作者：[小瑶](http://www.apache.wiki/users/viewmyprofile.action)** +* [GitHub地址](https://github.com/apachecn/MachineLearning): +* **版权声明：欢迎转载学习 => 请标注信息来源于 [ApacheCN](http://www.apache.wiki)** \ No newline at end of file diff --git a/docs/9.树回归.md b/docs/9.树回归.md index 7777bc0f..4f221d7d 100644 --- a/docs/9.树回归.md +++ b/docs/9.树回归.md @@ -1,7 +1,7 @@ # 第9章 树回归 -![预测数值型数据回归首页](/images/9.TreeRegression/树回归首页.png "树回归首页") +![预测数值型数据回归首页](/images/9.TreeRegression/TreeRegression_headPage_xy.png "树回归首页") ## CART 算法 @@ -155,4 +155,9 @@ 对数据过拟合。一棵过拟合的树常常十分复杂，剪枝技术的出现就是为了解决这个问题。两种剪枝方法分别是预剪枝（在树的构建过程中就进行剪枝）和后剪枝（当树 构建完毕再进行剪枝），预剪枝更有效但需要用户定义一些参数。 Tkinter 是 Python 的一个 GUI 工具包。虽然并不是唯一的包，但它最常用。利用 Tkinter ，我们可以轻轻松松绘制各种部件并安排它们的位置。另外，可以为 -Tkinter 构造一个特殊的部件来显示 Matplotlib 绘出的图。所以，Matplotlib 和 Tkinter 的集成可以构建出更强大的 GUI ，用户可以以更自然的方式来探索机器学习算法的奥妙。 \ No newline at end of file +Tkinter 构造一个特殊的部件来显示 Matplotlib 绘出的图。所以，Matplotlib 和 Tkinter 的集成可以构建出更强大的 GUI ，用户可以以更自然的方式来探索机器学习算法的奥妙。 +* * * + +* **作者：[小瑶](http://www.apache.wiki/users/viewmyprofile.action)** +* [GitHub地址](https://github.com/apachecn/MachineLearning): +* **版权声明：欢迎转载学习 => 请标注信息来源于 [ApacheCN](http://www.apache.wiki)** diff --git a/images/2.KNN/k-近邻算法首页_xy.png b/images/2.KNN/k-近邻算法首页_xy.png new file mode 100644 index 00000000..2367aef3 Binary files /dev/null and b/images/2.KNN/k-近邻算法首页_xy.png differ diff --git a/images/3.DecisionTree/DecisionTree_headPage_xy.png b/images/3.DecisionTree/DecisionTree_headPage_xy.png new file mode 100644 index 00000000..81f9f480 Binary files /dev/null and b/images/3.DecisionTree/DecisionTree_headPage_xy.png differ diff --git a/images/4.NaiveBayesian/NavieBayesian_headPage_xy.png b/images/4.NaiveBayesian/NavieBayesian_headPage_xy.png new file mode 100644 index 00000000..536f0151 Binary files /dev/null and b/images/4.NaiveBayesian/NavieBayesian_headPage_xy.png differ diff --git a/images/5.Logistic/LogisticRegression_headPage_xy.png b/images/5.Logistic/LogisticRegression_headPage_xy.png new file mode 100644 index 00000000..7ce32c2f Binary files /dev/null and b/images/5.Logistic/LogisticRegression_headPage_xy.png differ diff --git a/images/9.TreeRegression/TreeRegression_headPage_xy.png b/images/9.TreeRegression/TreeRegression_headPage_xy.png new file mode 100644 index 00000000..2afc0ed7 Binary files /dev/null and b/images/9.TreeRegression/TreeRegression_headPage_xy.png differ