Skip to content
体验新版
项目
组织
正在加载...
登录
切换导航
打开侧边栏
OpenDocCN
Ailearning
提交
7a83f4e5
A
Ailearning
项目概览
OpenDocCN
/
Ailearning
大约 1 年 前同步成功
通知
12
Star
36240
Fork
11272
代码
文件
提交
分支
Tags
贡献者
分支图
Diff
Issue
0
列表
看板
标记
里程碑
合并请求
0
DevOps
流水线
流水线任务
计划
Wiki
0
Wiki
分析
仓库
DevOps
项目成员
Pages
A
Ailearning
项目概览
项目概览
详情
发布
仓库
仓库
文件
提交
分支
标签
贡献者
分支图
比较
Issue
0
Issue
0
列表
看板
标记
里程碑
合并请求
0
合并请求
0
Pages
DevOps
DevOps
流水线
流水线任务
计划
分析
分析
仓库分析
DevOps
Wiki
0
Wiki
成员
成员
收起侧边栏
关闭侧边栏
动态
分支图
创建新Issue
流水线任务
提交
Issue看板
体验新版 GitCode,发现更多精彩内容 >>
提交
7a83f4e5
编写于
10月 19, 2020
作者:
W
wizardforcel
浏览文件
操作
浏览文件
下载
电子邮件补丁
差异文件
2020-10-19 21:28:28
上级
1cb80053
变更
3
显示空白变更内容
内联
并排
Showing
3 changed file
with
3 addition
and
3 deletion
+3
-3
docs/faq/1.机器学习实战-复习版.md
docs/faq/1.机器学习实战-复习版.md
+1
-1
docs/faq/img/faq_1.png
docs/faq/img/faq_1.png
+0
-0
docs/faq/直播问题汇总.md
docs/faq/直播问题汇总.md
+2
-2
未找到文件。
faq/1.机器学习实战-复习版.md
→
docs/
faq/1.机器学习实战-复习版.md
浏览文件 @
7a83f4e5
...
...
@@ -30,7 +30,7 @@
如下图: 用于评估模型的效果。(测试样本的预测类别 和 测试样本的实际类别 的diff,就是我们的错误率)
![
机器学习训练过程图
](
http://data.apachecn.org/img/AiLearning/ml/1.MLFoundation
/机器学习基础训练过程.jpg
)
![
机器学习训练过程图
](
../ml/img
/机器学习基础训练过程.jpg
)
> 5.监督学习和无监督学习的区别: 是否有目标变量(也就是: 是否存在分类结果)
...
...
docs/faq/img/faq_1.png
0 → 100644
浏览文件 @
7a83f4e5
2.0 KB
faq/直播问题汇总.md
→
docs/
faq/直播问题汇总.md
浏览文件 @
7a83f4e5
...
...
@@ -42,7 +42,7 @@
1.
谷德 2017-11-21 20:39:38
问: 求距离还有其他的算法吗?
答: k 近邻模型的特征空间一般是 n 维实数向量空间 ![向量空间](
http://data.apachecn.org/img/AiLearning/ml/2.KNN/knn_3.png) ,使用的距离是欧式距离。当然,我们还可以选择其他距离,比如更加一般的 ![Lp距离](http://data.apachecn.org/img/AiLearning/ml/2.KNN
/knn_4.png) 距离(Lp distance),或者 Minkowski 距离(Minkowski distance),曼哈顿距离(Manhattan Distance),切比雪夫距离(Chebyshev Distance)。
答: k 近邻模型的特征空间一般是 n 维实数向量空间 ![向量空间](
../ml/img/knn_3.png) ,使用的距离是欧式距离。当然,我们还可以选择其他距离,比如更加一般的 ![Lp距离](../ml/img
/knn_4.png) 距离(Lp distance),或者 Minkowski 距离(Minkowski distance),曼哈顿距离(Manhattan Distance),切比雪夫距离(Chebyshev Distance)。
更多参见链接: http://liyonghui160com.iteye.com/blog/2084557
...
...
@@ -51,7 +51,7 @@
答: 如果大佬你说的是下面这种:
![距离计算](
http://data.apachecn.org/img/AiLearning/ml/faq
/faq_1.png)
![距离计算](
../ml/img
/faq_1.png)
那么求电影距离的 x 是对应的电影中的 打斗镜头数 ,而 y 对应的是接吻镜头数,都是指的数据的特征,可能这里写的不清楚,你可以把这里的 y 当成 x2 属性,而把之前的 x 当成 x1 属性,这样就容易理解多了。都是特征,只不过是对应的不同的特征。注意,这里的 y 代表的不是相应的分类。
...
...
编辑
预览
Markdown
is supported
0%
请重试
或
添加新附件
.
添加附件
取消
You are about to add
0
people
to the discussion. Proceed with caution.
先完成此消息的编辑!
取消
想要评论请
注册
或
登录