支持向量机系列学习笔记包括以下几篇：Spark机器学习系列之13： 支持向量机SVM ：http://blog.csdn.net/qq_34531825/article/details/52881804支持向量机学习之2：核函数http://blog.csdn.net/qq_34531825/article/details/52895621支持向量机学习之3：SVR（回归）http:/

本文介绍了离群点（孤立点）检测的常见方法，以及应用各种算法时需要注意的问题。离群点是什么？异常对象被称作离群点。异常检测也称偏差检测和例外挖掘。孤立点是一个明显偏离与其他数据点的对象,它就像是由一个完全不同的机制生成的数据点一样。离群点检测是数据挖掘中重要的一部分，它的任务是发现与大部分其他对象显著不同的对象。大部分数据挖掘方法都将这种差异信息视为噪声而丢弃，然而在一些应用中，罕见的数据可能蕴含着

什么是对偶问题？      每一个线性规划问题都存在一个与其对偶的问题，在求出一个问题解的同时，也给出了另一个问题的解。为什么研究对偶理论？      当对偶问题比原始问题有较少约束时，求解对偶规划比求解原始规划要方便得多。      一个简单的例子在上面的例子中，g(λ,ν)g(\lambda,\nu)定义为拉格朗日对偶函数，向量向量 λ 和 ν 为对偶变量或者拉格朗日乘子

GBDT概念 与随机森林的差异 Spark2.0中参数调试

参数设置α：梯度上升算法迭代时候权重更新公式中包含 α ：http://blog.csdn.net/lu597203933/article/details/38468303为了更好理解 α和最大迭代次数的作用，给出Python版的函数计算过程。# 梯度上升算法-计算回归系数# 每个回归系数初始化为1# 重复R次：#计算整个数据集的梯度#使用α*梯度更新回

聚类算法 LDA Spark2.0代码

支持向量机系列学习笔记包括以下几篇：Spark机器学习系列之13： 支持向量机SVM ：http://blog.csdn.net/qq_34531825/article/details/52881804支持向量机学习之2：核函数http://blog.csdn.net/qq_34531825/article/details/52895621支持向量机学习之3：SVR（回归）http:/

Spark GMM 高斯混合模型概念 参数设置 模型评估 代码

欢迎使用Markdown编辑器写博客SBT 依赖包：groupId = org.apache.sparkartifactId = spark-sql-kafka-0-10_2.11version = 2.1.1在Spark2.x中，Spark Streaming获得了比较全面的升级，称为Structured Streaming，和之前的很不同，功能更强大，效率更高，跟其他的

聚类算法 LDA Spark2.0代码