先列出Xgboost中可指定的参数，参数的详细说明如下 总共有3类参数：通用参数/general parameters, 集成(增强)参数/booster parameters 和 任务参数/task parameters 通用参数/General Parameters booster [default=gbtree] gbtree 和 gblinear silent [default=0] 0表示输出
1 关系语言的分类 关系语言分为三种： 关系代数语言 关系演算语言 SQL 语言 2 关系代数语言 定义：关系代数是一种抽象的查询语言，它用对关系的运算来表达查询 三大要素 运算对象（关系） 运算符（集合运算符和专门的关系运算符） 运算结果（关系） 关系代数运算符 运算符类型 符号
色彩是可见光所展现的，不同颜色的物体吸收和反射的波长的光不同，所产生不同的颜色。色彩作为现实世界固有的属性是存在和不变的。我们利用数学知识对色彩进行编码，便是色彩空间的来源，不同的编码其所指向的颜色都是唯一存在的，因此色彩空间都是可以互相转换的，只是不同的数
一、简介 1 PCA-SVM原理 1.1 主成分分析PCA 本文处理的所有原始图片都是112x 92大小的pgm格式图片， 每幅图片包含10304个像素点， 每一行代表一个样本，维数就是10304维。维数过大使得数据处理工作十分复杂，同时，图片特征之间的强相关性还会导致“维数灾难”。快速高效的人脸识别，其
超穷归纳 严格来讲，“超穷归纳”(transfinite induction)指代的是如何在序数上归纳地定义(类)函数的定理。 定理 1: (Transfinite Induction) 令A是一个序数，或者A等同于序数类\(\mathbf{On}\)，假定\(B \subseteq A\)满足 \[ \forall \alpha \in A, \alpha \subseteq B \Rightarrow
教材 https://www.bilibili.com/video/BV13b4y1177W 符号 含义 \(d\) 维数 \(b\) 偏置项 1.神经元模型 \(z=\sum_{i=1}^{d}w_ix_i +b = w^T x +b\) 2.激活函数 性质 连续并可导（允许少数点上不可导）的非线性函数。 可导的激活函数可以直接利用数值优化的方法来学习网络
我们构造svm模型的时候是有如下的参数可以设置的。 SVC(C=1.0, cache_size=200, class_weight=None, coef0=0.0, decision_function_shape='ovr', degree=3, gamma='auto', kernel='rbf', max_iter=-1, probability=False, random_state=None, shrinking=True
水平集和符号距离函数 零水平集 定义： 对于一个函数 ϕ ( x ⃗ ) ：
Task02 本次学习参照Datawhale开源学习：https://github.com/datawhalechina/machine-learning-toy-code/tree/main/ml-with-sklearn 内容安排如下，主要是一些代码实现和部分原理介绍。 2. 支持向量机 支持向量机（Support Vector Machine, SVM）是监督学习方式对数据进行二元分类
模群 令\(\mathbb{H}\)是\(\mathbb{C}\)的上半平面，也即任意\(z\in \mathbb{H}\)满足\(\text{Im}(z) > 0\)。对任意矩阵 \[g = \begin{bmatrix} a & b\\ c & d \end{bmatrix}\in \mathbf{PSL}_2(\mathbb{Z})\]也即满足\(ad-bc = 1\)且\(g\)与\(-g\)视作同一元素的矩阵，我们定义
记号来自《基础拓扑学》《基础拓扑学讲义》 道路提升引理 道路提升引理 定义 首先是 同态 满 道路提升引理 \(\alpha\) 的提升 单 圈数（Armstrong度数） 引理3（尤承业p118) 引理4（尤承业p118) 综上 下次看看同伦提升定理 定义 \[\begin{aligned} \text{指数映射 }
正态分布 若随机变量 \(X\) 的密度函数为 \[p(x)=\frac{1}{\sqrt{2 \pi} \sigma} \mathrm{e}^{-\frac{(x-\mu)^{2}}{2 \sigma^{2}}},-\infty<x<\infty \]则称 \(X\) 服从正态分布 , 称 \(X\) 为正态变量 , 记作 \(X\sim N(\mu,\sigma^2)\) . 其中位置参数 \(-\infty<\mu<+\i
强化学习 强化学习注重智能体（agent）与环境之间的交互式学习： 强化学习的数据集不是训练初始阶段就有的，而是来自智能体与环境交互才能获得；强化学习不追求单步决策的最优策略，而是追求与环境交互获得的长期累积奖励。强化学习需要从整体上衡量整个交互过程。智能体在做决策时，会
目录概主要内容 Croce F. and Hein M. Mind the box: \(\ell_1\)-APGD for sparse adversarial attacks on image classifiers. In International Conference on Machine Learning (ICML), 2021. 概 以往的\(\ell_1\)攻击, 为了保证 \[\|x' - x\|_1 \le \epsilon, x' \
用R做GLM的Summary相关指标解释 Residual Residual The term residual comes from the residual sum of squares (RSS), which is defined as where the residual $r_i$ is $\Gamma(n) = (n-1)!\quad\forall n\in\mathbb N$ defined as the difference between observ
方法1：线性调整对比度与亮度 如公式1所示，表示原先像素点的像素值，c表示的权重值，b表示加权和后的图像的偏移量，表示调整后改像素点的像素值。在该算法中，将对比度与亮度设计为线性关系。 v’ = v*c+b 代码： def Change_contrast_brightness(img, c, b): h, w, d = img.shape
定义 伽马函数是阶乘函数在实数与复数上的扩展。对于实数部份为正的复数 z\(（Re(z) > 0）\)，伽玛函数定义为: \[\Gamma(z)=\int_{0}^{\infty} \mathrm{e}^{-t} t^{z-1} \mathrm{~d} t . \quad(x>0) \]在Rez>0处收敛。 性质 (1)递推公式\(\quad\Gamma(z+1)=z \Gamma(z)\) (2)\(\quad\Ga
11_支持向量机SVM（Support vector machine） 在这一章，我们将深入学习大名鼎鼎的支撑向量机SVM。我们将从线性SVM开始，理解SVM的思路，进而深入理解SVM解决非线性问题的方式——核函数。 我们将重点学习两个最重要的核函数：多项式核和径向基函数核。我们更会使用真实的数据集实验，看到
关于q-learning算法，可参照以下博客，我只是复现作者的算法，如有错误，请私信改正。 A Painless Q-learning Tutorial (一个 Q-learning 算法的简明教程)_peghoty-CSDN博客 import numpy as np import pandas as pd class QL: def __init__(self, actions, gamma=0.8, e_greed
一、实验简介: 本次数据集很经典，实验本身是基于SVM支持向量机技术对数据集Iris进行特征分类。实验采取Sklearn函数库来实现SVM，并使用SVM对提取好的特征进行分类，结果的展示方面进行了数据可视化保证观测结果清晰可见。 首先，Iris数据集的中文名是安德森鸢尾花卉数据集，Iris包含1
RNN新生成序列采样，这样做的动机：因为要看训练好的模型不知道在那些方面表现的好，具体来分析，便于进一步改进模型。数学角度说，就是检查训练好的数据分布是怎样的。 具体来说： １、按照生成模型那样，先生成第一个单词，softmax分布进行随机抽选，第二个词在第一个词的基础上进行生成，第三个在前
接下来我总共花了将近四天时间才将论文《Towards Long-term Fairness in Recommendation》[1]理解透彻。因为该论文用到了强化学习(Reinforcement Learning)，而强化学习不像之前的生成对抗网络(GAN)一样简洁明了，涉及的数学知识非常多。 在看论文之前我花费了很所时间去补强化学习的
狄利克雷分布是关于一组 d d d个连续变量 x i ∈
算法思想 Q-Learning是强化学习算法中value-based的算法，Q即为Q（s，a），就是在某一个时刻的state状态下，采取动作a能够获得收益的期望，环境会根据agent的动作反馈相应的reward奖赏， 所以算法的主要思想就是将state和action构建成一张Q_table表来存储Q值，然后根据Q值来选取能够获得最大收益的
2 非线性SVM 2.1 SVM问题的对偶化 在介绍非线性SVM之前，有必要先来看一下什么是SVM问题的对偶化，目的是： 如何通过对偶化将线性SVM与非线性SVM联系起来；对偶问题是如何简化问题的求解的。 2.1.1 对偶的概念 大多数问题可以从两个角度来看待： Primal Problem（原问题）Dual Problem（对偶
