visualize-ml / book7_visualizations-for-machine-learning Goto Github PK
View Code? Open in Web Editor NEWBook_7_《机器学习》 | 鸢尾花书:从加减乘除到机器学习;欢迎批评指正
Book_7_《机器学习》 | 鸢尾花书:从加减乘除到机器学习;欢迎批评指正
请问,在subtitles“以鸢尾花数据为例”中,第二段K=3,确实是轮廓系数是三者中最大的,但是轮廓图的宽度感觉并没有均匀吧,尤其是cluster2真的看起来就是一个直角三角形,并不均匀吧,感觉解释K=3是比较好的参数有一点牵强,个人认为
请问,为什么没有Ch14的代码文件
图10下一行标题是否应为“C2和C3的联合概率”?
Eq(18)上面一句话,“方差协方差矩阵矩阵取值如下”,是不是多写了一个方差?
eq30 中 Lagrange 的对偶问题应该是相对于拉格朗日乘子求后面式子的最大值而不是最小值吧?
您好,Ch11 K均值第二页,文中提到了位于决策边界的D点,但图上没有标注
Ch13 Page4 公式5下方的段落中,我猜测应该是图3而不是图9?
第3页(2)式下方: '证据因子 α1和 α2给出...' 应该是'先验'
第7页(13)式: 先验pY上面应该加上(i)
第14页(23)式:等式左侧x和 C应调换位置
图17和图19: 标记f(C1|x)和f(C2|x)需要互换
第18页: 这句话是否有问题'参数 α1和 α2也代表着分别划分到C1和 C2样本数据的比例' 从图16,18,20可见, C1的红点数量在减少; 而图23表明α1一直在增加. 二者矛盾.
第4页图1右图以及第8页图6: 三个红色支持向量共线的情况应该很罕见吧? 一般情况下, 线性可分硬间隔应该只有三个支持向量点分布在两条平行虚线上吧? 是否应该注释一下, 五个支持向量只是示意, 而实际中很少出现这种情况?
第7页倒数第三行: 'w 为 f(w) 的梯度向量'. f(w)应为f(x)
第12页第一行: '(16) 可以简化为'. 应为'(15)'
第14页(30)式: 应该是对对偶函数求最大值argmax吧? 同样的问题也在<Book7_Ch08_核技巧>第8页(21)式.
图9 Gamma数据似乎有点问题 不同的曲线的gamma数值相同
Eq(18)上面一句话,“方差协方差矩阵取值如下:”,此处是不是多了写了一个方差?
Page4最后一句话“《统计至简》第9章介绍过‘68-95-99.7’法则,图3中
第19页(52)式的后三项都应除以根号2吧?
另外, (52)式下面一句话: '映射函数的形式并不重要', 但对于高斯核却是个例外, 高斯核的映射函数有无穷项, 能将数据映射到无穷维, 得到的决策边界形状丰富多样.
第3页(3)式上方: '根据贝叶斯定理,证据因子、后验概率和联合概率存在如下关系', 应该是'似然,先验和联合'
第6页(12)式: 下方的说明文字应该是'...是混合成份的[先验]概率密度', 'alpha_k>0'
第7页(15)式: 上方的三个后验概率x和C的位置颠倒了.
你好,什么时候可以fix上这一章的代码呢?包括画出后验概率等图的代码,感谢~
第17页(38)式下方: 高斯核亲近度取值范围为 (0, 1]. 对于0是开区间
A declarative, efficient, and flexible JavaScript library for building user interfaces.
🖖 Vue.js is a progressive, incrementally-adoptable JavaScript framework for building UI on the web.
TypeScript is a superset of JavaScript that compiles to clean JavaScript output.
An Open Source Machine Learning Framework for Everyone
The Web framework for perfectionists with deadlines.
A PHP framework for web artisans
Bring data to life with SVG, Canvas and HTML. 📊📈🎉
JavaScript (JS) is a lightweight interpreted programming language with first-class functions.
Some thing interesting about web. New door for the world.
A server is a program made to process requests and deliver data to clients.
Machine learning is a way of modeling and interpreting data that allows a piece of software to respond intelligently.
Some thing interesting about visualization, use data art
Some thing interesting about game, make everyone happy.
We are working to build community through open source technology. NB: members must have two-factor auth.
Open source projects and samples from Microsoft.
Google ❤️ Open Source for everyone.
Alibaba Open Source for everyone
Data-Driven Documents codes.
China tencent open source team.