From 1e22bc360a8ce959be408664c7cc0f24e0a39250 Mon Sep 17 00:00:00 2001 From: wizardforcel <562826179@qq.com> Date: Sun, 10 Jun 2018 23:29:46 +0800 Subject: [PATCH] ch8 tex --- README.md | 2 +- "docs/8.\351\231\215\347\273\264.md" | 2 +- images/tex-095a09304bbece2585736594cca6bdbf.gif | Bin 0 -> 290 bytes 3 files changed, 2 insertions(+), 2 deletions(-) create mode 100644 images/tex-095a09304bbece2585736594cca6bdbf.gif diff --git a/README.md b/README.md index 1d3b9ed..09ea6b1 100644 --- a/README.md +++ b/README.md @@ -55,7 +55,7 @@ | 五、支持向量机 | [@QiaoXie](https://github.com/QiaoXie) | [@飞龙](https://github.com/wizardforcel) [@PeterHo](https://github.com/PeterHo) [@yanmengk](https://github.com/yanmengk) | | 六、决策树 | [*@Lisanaaa*](https://github.com/Lisanaaa) | | 七、集成学习和随机森林 | [@friedhelm739](https://github.com/friedhelm739) | [@飞龙](https://github.com/wizardforcel) [@PeterHo](https://github.com/PeterHo) [@yanmengk](https://github.com/yanmengk) | -| 八、降维 | [@loveSnowBest](https://github.com/zehuichen123) | [@飞龙](https://github.com/wizardforcel) [@PeterHo](https://github.com/PeterHo) | +| 八、降维 | [@loveSnowBest](https://github.com/zehuichen123) | [@飞龙](https://github.com/wizardforcel) [@PeterHo](https://github.com/PeterHo) [@yanmengk](https://github.com/yanmengk) | | **第二部分 神经网络与深度学习** | - | | 九、启动并运行TensorFlow | [@akonwang](https://github.com/wangxupeng) [@WilsonQu](https://github.com/WilsonQu) | [@Lisanaaa](https://github.com/Lisanaaa) [@飞龙](https://github.com/wizardforcel) | | 十、人工神经网络介绍 | [@akonwang](https://github.com/wangxupeng) [@friedhelm739](https://github.com/friedhelm739) | [@飞龙](https://github.com/wizardforcel) | diff --git "a/docs/8.\351\231\215\347\273\264.md" "b/docs/8.\351\231\215\347\273\264.md" index 4817bc0..f401615 100644 --- "a/docs/8.\351\231\215\347\273\264.md" +++ "b/docs/8.\351\231\215\347\273\264.md" @@ -338,7 +338,7 @@ X_reduced=lle.fit_transform(X) 图 8-12 使用 LLE 展开瑞士卷 -这是LLE的工作原理：首先，对于每个训练实例 $x^{(i)}$，该算法识别其最近的`k`个邻居（在前面的代码中`k = 10`中），然后尝试将 $x^{(i)}$ 重构为这些邻居的线性函数。更具体地，找到权重 $w_{i,j}$ 从而使 $x^{(i)}$ 和 $\sum_{j=1}^{m}w_{i,j} x^{(j)}$ 之间的平方距离尽可能的小，假设如果 $x^{(j)}$ 不是 $x^{(i)}$ 的`k`个最近邻时 $w_{i,j}=0$。因此，LLE 的第一步是方程 8-4 中描述的约束优化问题，其中`W`是包含所有权重 $w_{i,j}$ 的权重矩阵。第二个约束简单地对每个训练实例 $x^{(i)}$ 的权重进行归一化。 +这是LLE的工作原理：首先，对于每个训练实例 ![x^{(i)}](../images/tex-e8fa5b806940d1b4d0059fba40646506.gif)，该算法识别其最近的`k`个邻居（在前面的代码中`k = 10`中），然后尝试将 ![x^{(i)}](../images/tex-e8fa5b806940d1b4d0059fba40646506.gif) 重构为这些邻居的线性函数。更具体地，找到权重 ![w_{i,j}](../images/tex-e32c5b6b54ce1398ae1134e7688631ad.gif) 从而使 ![x^{(i)}](../images/tex-e8fa5b806940d1b4d0059fba40646506.gif) 和 ![\sum_{j=1}^{m}w_{i,j} x^{(j)}](../images/tex-3a4d978e6657d768ca9a800d0e1a8130.gif) 之间的平方距离尽可能的小，假设如果 ![x^{(j)}](../images/tex-b7762ca6ebcdab26862a6cd2ff27ac16.gif) 不是 ![x^{(i)}](../images/tex-e8fa5b806940d1b4d0059fba40646506.gif) 的`k`个最近邻时 ![w_{i,j}=0](../images/tex-095a09304bbece2585736594cca6bdbf.gif)。因此，LLE 的第一步是方程 8-4 中描述的约束优化问题，其中`W`是包含所有权重 ![w_{i,j}](../images/tex-e32c5b6b54ce1398ae1134e7688631ad.gif) 的权重矩阵。第二个约束简单地对每个训练实例 ![x^{(i)}](../images/tex-e8fa5b806940d1b4d0059fba40646506.gif) 的权重进行归一化。 公式 8-4 LLE 第一步：对局部关系进行线性建模 diff --git a/images/tex-095a09304bbece2585736594cca6bdbf.gif b/images/tex-095a09304bbece2585736594cca6bdbf.gif new file mode 100644 index 0000000000000000000000000000000000000000..67532775ba9cfd90f46f1ad45bb220f8d64aa372 GIT binary patch literal 290 zcmV+-0p0#bNk%w1VLbp60J8u9|Ns90006qWx|o=lW@cvY?(Pr}5X{WXGBPsU+}wzW zh<0{%R8&+%L_{JYBC4vYA^8LW00000EC2ui06hQ_000Ef5XecZy*THmh7wvRj+xL* z$U&}b);!a|v~(S)l3?TmF%bhm!BD6f6M@9!5GWLa23%Bv02ygar6dbNO1u(95%5@G z92f#)&2F13*=16)m;nYS`ec03UMEO600K=C4ln==3KNTeGyzs*I}(Kehg&!bb`=8) zf)#3QqHh%qL1CK)N<)aJK@NNp4+Uk86ecKs0zd-?Kw^Lh7DWVzwz3@rks}MI76^XF oSFk|>v6Iq&3kpgNjQ|IE+0w=e-{X$70A|qW$B3rJ?i3LKI}V;_YXATM literal 0 HcmV?d00001 -- GitLab