一、概率问题回顾：
无偏性：
样本均值和方差是总体的无偏估计：
均值的无偏性：
方差的无偏性：
凸优化：
凸优化的引入：
凸函数优化
2017-10-23
1046
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《
阿里云开发者社区用户服务协议》和
《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写
侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
简介：
一、概率问题回顾： 无偏性： 样本均值和方差是总体的无偏估计： 均值的无偏性： 方差的无偏性： 凸优化： 凸优化的引入：
目录
相关文章
|
3月前
高等数学II-知识点（3）——广义积分、定积分几何应用、定积分求曲线弧长、常微分方程、可分离变量的微分方程、一阶微分方程-齐次方程、一阶线性微分方程
高等数学II-知识点（3）——广义积分、定积分几何应用、定积分求曲线弧长、常微分方程、可分离变量的微分方程、一阶微分方程-齐次方程、一阶线性微分方程
26
0
0
|
数据采集
算法
Python
|
机器学习/深度学习
算法
数据处理
|
机器学习/深度学习
算法
数据挖掘
梯度下降【无约束最优化问题】（一）
本文属于 线性回归算法【AIoT阶段三】（尚未更新），这里截取自其中一段内容，方便读者理解和根据需求快速阅读。本文通过公式推导+代码两个方面同时进行，因为涉及到代码的编译运行，如果你没有NumPy，Pandas，Matplotlib的基础，建议先修文章：数据分析三剑客【AIoT阶段一（下）】（十万字博文 保姆级讲解），本文是梯度下降的第一部分，后续还会有：三种梯度下降方法与代码实现，梯度下降优化，梯度下降优化进阶 （暂未更新）
162
0
0
|
算法
数据可视化
数据挖掘
梯度下降【无约束最优化问题】(二）
本文属于 线性回归算法【AIoT阶段三】（尚未更新），这里截取自其中一段内容，方便读者理解和根据需求快速阅读。本文通过公式推导+代码两个方面同时进行，因为涉及到代码的编译运行，如果你没有NumPy，Pandas，Matplotlib的基础，建议先修文章：数据分析三剑客【AIoT阶段一（下）】（十万字博文 保姆级讲解），本文是梯度下降的第一部分，后续还会有：三种梯度下降方法与代码实现，梯度下降优化，梯度下降优化进阶 （暂未更新）
125
0
0
|
人工智能
BI
最小二乘法-公式推导
基本思想
求出这样一些未知参数使得样本点和拟合线的总误差（距离）最小
最直观的感受如下图（图引用自知乎某作者）
而这个误差（距离）可以直接相减，但是直接相减会有正有负，相互抵消了，所以就用差的平方
推导过程
1 写出拟合方程y=a+bxy=a+bx
2 现有样本(x1,y1),(x2,y2).
4011
1
1
|
人工智能
算法
Python
最小二乘法多项式曲线拟合原理与实现
概念
最小二乘法多项式曲线拟合，根据给定的m个点,并不要求这条曲线精确地经过这些点，而是曲线y=f(x)的近似曲线y= φ(x)。
原理
[原理部分由个人根据互联网上的资料进行总结，希望对大家能有用]
给定数据点pi(xi,yi)，其中i=1,2,…,m。
2433
1
1
|
机器学习/深度学习
算法
02 SVM - 拉格朗日乘子法
1465
0
0