SMO算法实现？
选择原凸二次规划的两个变量，其他变量保持不变，根据这两个变量构建一个新的二次规划问题，这样将原问题划分为更小的子问题可以大大加快计算速度，而选择变量的方式是：
其中一个是严重违反KKT条件的一个变量
另一个变量是根据自由约束确定的
-
1. 回顾SVM优化目标函数 我们首先回顾下我们的优化目标函数： $$ min(alpha);; frac{1}{2}sumlimits_{i=1,j=1}{m}alpha_ialpha_jy_iy_jK(x_i,x_j) - sumlimits_{i=1}{m}alpha_i $$ $$ s.t. ; sumlimits_{i=1}^{m}alpha_iy_i = 0 $$ $$ 0 leq a
-
一、我们先回顾下SVM问题。 A、线性可分问题 1、SVM基本原理： SVM使用一种非线性映射，把原训练数据映射到较高的维。在新的维上，搜索最佳分离超平面，两个类的数据总可以被超平面分开。 2、问题的提出： 3、如何选取最优的划分直线f(x)呢？ 4、求解：凸二次规划 建立拉格朗日函数： 求偏导数： B、线性不可分问题 1、核函数 如下图：横轴上端点a和b之间红色部分里的所有点定为正类，两边的黑色
-
我无法实现SJF（最短作业优先）算法。 SJF就是这样工作的 如果进程到达0时间，它将工作到下一个进程到达，算法必须检查到达1的到达（进程/进程）是否比当前剩余时间短 示例：P0执行了1，还有2要完成，现在我们有P0，P1，P2，P3，P4 in 1算法将执行最短的一个P3，之后是P0，然后是P4，然后是P1，依此类推。问题是我必须保存所有进程的开始和结束时间执行，以及等待时间。 这是我的最新算法
-
朴素贝叶斯算法 给定数据集$$T={(x{(1)},y{(1)}),(x{(2)},y{(2)}),...,(x{(m)},y{(m)})}$$，其中$$x\in \mathcal{X}\subseteq R^n$$，$$y\in \mathcal{Y}={c_1, c_2,...,c_K}$$，$$X$$是定义在输入空间$$\mathcal{X}$$上的随机向量，$$Y$$是定义在输出空间$$\
-
线性回归python实现 1.算法python代码 包含Normal Equations，批量梯度下降和随机梯度下降，这里的代码跟Logistic回归的代码类似 # -*- coding: utf-8 -*- import matplotlib.pyplot as plt import numpy as np class LinearRegression(object): def _
-
Logistic回归python实现 1.算法python代码 # -*- coding: utf-8 -*- import matplotlib.pyplot as plt import numpy as np class Logistic(object): def __init__(self): self._history_w = [] self.