- 博客(6)
- 收藏
- 关注
RSS订阅原创 梯度下降特征缩放
如h=ax+by+c，x在0到1之间，y在1000到5000之间。 不进行归一化，代价函数等值线图会非常扁；进行归一化后，代价函数等值线图会向圆趋近。 对于偏圆的而言，对它进行梯度下降的迭代次数比偏扁的那个迭代次数要少很多，这个很好理解，让人困惑的是，缩放前后，代价函数不是变了吗，最后收敛的参数不也变了吗，怎么就正确了？ 其实，我们完全可以将缩放前后的训练集理解成两个训练集。对这两个训练集的梯度下降当然是不同的，但确实是有联系的。 缩放前，输入原始x、原始y、原始正确结果，通过梯度下降，去拟合原始正确结果
2021-09-27 10:00:38
321
原创 python二元梯度下降线性回归
import numpy as np import matplotlib import matplotlib.pyplot as plt matplotlib.rcParams['font.size']=20 #设置全局字体大小 fig=plt.figure(figsize=(10,5)) #创建figure对象 ax=fig.add_axes([0,0,1,1]) #创建axes对象 ax.spines['top'].set_color(None) #隐藏上坐标轴 ax.spines['righ
2021-09-17 21:20:07
317
原创 NumPy之order玄学
#flat a=numpy.arange(12).reshape(3,4,order='F') print(type(a.flat)) #<class 'numpy.flatiter'>,它和迭代器不同，能索引，能[...]，但也区别于ndarray，无法直接print输出数组 print(a.flat[...]) #[ 0 3 6 9 1 4 7 10 2 5 8 11] 按C扁平化 #nditer() a=numpy.arange(12).reshape(3,4) .
2021-09-17 21:05:14
195
原创 数据结构 KMP next数组 学习感想
我做这个视频是为了能够帮助一些不懂 kmp 算法的小伙伴们理解，kmp 算法的思想， 以及最关键的 kmp next 数组代码的含义，顺便也帮自己梳理下对 kmp 的理解。 总觉得处处都是巧合，但其实都是必然的。 kmp 算法进行字符串匹配的时候，其复杂度低的一个重要原因是，主串 i 不用回撤。只 要对进行回撤就可以了。 i 不回撤这一特点，我先很朴素的尝试一下啊。 就比如这个例子。 但我这样想对吗，i 不回撤，不匹配了，j 直接撤回到开头，j=1 。 答案是错。 就如这个例子，这个思路就不行了。 问题
2020-06-25 11:07:13
171
原创 数组名 学习感想
一维数组 int a[4] 二维数组 int b[3][4] a 和&a，都表示地址，值都一样，都是数组 a 第一个元素 a[0]的地址，区别是什么，是 他们的类型。有人可能要问，啊？什么类型？地址还有类型？不都是像 00CFAD4 之类的占 4 字节大小的数据么？这里，其实是我表述得不准确，我指的类型是指针变量的类型。 对于一维数组 a[4]，数组名 a，我们常说 a 是个指向数组首元素 a【0】的指针，，但我们要 注意，平时很常见的说法可能仅仅只是为了表述的方便才这么说的，实际上可能并不是这样。
2020-06-25 10:50:47
195
原创 多值依赖 模式分解 （学习感想）
模式分解，是关系规范化的手段，而关系规范化的实质就是概念的单一化，一事一地，（这里书上讲得挺好的），从而避免或减少增删改的异常/繁琐（以下统称异常）。 对于一个只有函数依赖的模式而言，我们把它分解到BCNF这个层次，那就彻底解决了增删改的异常，如（学生S，系Sd，宿舍D）有S→Sd，Sd→D，当我们把它分解为（学生S，系Sd）和（系Sd，宿舍D），就不用再考虑语义上的啥啥函数依赖了，增删学生或系，都不会造成异常，修改系主任名字也不用那么繁琐，当然了你要是修改系名，两个表都得改一下，毕竟你要满足参照完整性。至
2020-06-25 10:35:54
1174
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人