《Python机器学习算法》勘误

本书在出版的过程中已经经过详细的检查,但是大小问题依旧存在,感谢各位细心的读者为本书指出的错误。

  • 第34页的错误在Python2.7.9版本上不会报错。

第1版第一次印刷勘误

页码原文修改
XVI(目录)12.3.2 Mean shift12.3.2 DBSCAN
26(程序清单1-11:第11行)hresult
33(程序清单2-3:第8行参数)feature, label, k, 5000, 0.2feature, label, k, 10000, 0.4
34(开始的代码:第9行)floatint
45(公式第二行) 12ni=1nj=i+1 1 2 ∑ i = 1 n ∑ j = i + 1 n 12ni=1nj=1 1 2 ∑ i = 1 n ∑ j = 1 n
46(整页的四处) [1σ(y^y)] [ 1 − σ ( y ^ y ) ] [σ(y^y)1] [ σ ( y ^ y ) − 1 ]
48(文本的第三行)度超参数
48(程序清单3-2:第4行)FM模型的度FM模型的超参数
49(文本的第二行)模型的度模型的超参数
50(程序清单3-5:第8行)labelTrain, 3, 5000, 0.01labelTrain, 3, 10000, 0.01
52(程序清单3-7:倒数第2行)result.append(str(pre))result.append(pre)
55(程序清单3-10:第3行)data.txttest_data.txt
57(程序清单3-13:第7行)f.write(“\n”.join(result))f.write(“\n”.join(str(x) for x in result))
68(4.4.2中第一个公式:高斯核的分子) X(i)X(j) ‖ X ( i ) − X ( j ) ‖ X(i)X(j)2 ‖ X ( i ) − X ( j ) ‖ 2
70(中间公式 W(α2) W ( α 2 ) 的第二行) ((M2α2y(2))+α2) ( ( M 2 − α 2 y ( 2 ) ) + α 2 ) ((M2α2y(2))y(1)+α2) ( ( M 2 − α 2 y ( 2 ) ) y ( 1 ) + α 2 )
70(最下面公式) (K11+K22α22K12)α2 ( K 11 + K 22 α 2 − 2 K 12 ) α 2 (K11+K222K12)α2 ( K 11 + K 22 − 2 K 12 ) α 2
104(代码的第14行)data_tmp.append(data[i][fea])data_tmp.append(data[index[i]][fea])
104(代码的第15行)data_tmp.append(data[i][-1])data_tmp.append(data[index[i]][-1])
133(程序清单6-14:第13、17行)dataTestdata
141(7.3中第3行)然后把二次模型然后把二次函数
147(程序清单7-7:第11行)80050
150(程序清单7-10:第3行)data.txtdata_test.txt
152(7.5.1中的高斯核中的分子) XiX | X i − X | XiX2 ‖ X i − X ‖ 2
160(第10行公式) B1k+1=(IskyTkyTksk)TB1k(IyksTkyTksk)+sksTkyTksk B k + 1 − 1 = ( I − s k y k T y k T s k ) T B k − 1 − ( I − y k s k T y k T s k ) + s k s k T y k T s k B1k+1=(IskyTkyTksk)TB1k(IyksTkyTksk)+sksTkyTksk B k + 1 − 1 = ( I − s k y k T y k T s k ) T B k − 1 ( I − y k s k T y k T s k ) + s k s k T y k T s k
160(第12行公式) Hk+1=(IskyTkyTksk)THk(IyksTkyTksk)+sksTkyTksk H k + 1 = ( I − s k y k T y k T s k ) T H k − ( I − y k s k T y k T s k ) + s k s k T y k T s k Hk+1=(IskyTkyTksk)THk(IyksTkyTksk)+sksTkyTksk H k + 1 = ( I − s k y k T y k T s k ) T H k ( I − y k s k T y k T s k ) + s k s k T y k T s k
198(程序清单10-5:第16行)争取穷正无穷
219(最后一行文本)如图11.4所示如图11.7所示
224(第一行文本:两处)图12.2图12.3
230本处遗忘了distance函数请参阅代码中的distance函数
234(小标题12.3.2)Mean ShiftDBSCAN
237(13.1.1下第2行)节点,之间节点之间
31618.4.1下import代码下面增加batch_size = 128

第1版第二次印刷勘误

页码原文修改
17 Wj=Wj+αWj(lW,b) W j = W j + α ▽ W j ( l W , b ) Wj=WjαWj(lW,b) W j = W j − α ▽ W j ( l W , b )
29中间的 θjJ(θ) ▽ θ j J ( θ ) ,很多读者反应看不懂,对其进行修改
θjJ(θ)=1mi=1m[θjj=1kI{y(i)=j}logeθTjX(i)kl=1eθTlX(i)] ▽ θ j J ( θ ) = − 1 m ∑ i = 1 m [ ▽ θ j ∑ j = 1 k I { y ( i ) = j } l o g e θ j T X ( i ) ∑ l = 1 k e θ l T X ( i ) ]
y(i)=j y ( i ) = j 时,
θjJ(θ)=1mi=1m[kl=1eθTlX(i)eθTjX(i)kl=1eθTlX(i)X(i)] ▽ θ j J ( θ ) = − 1 m ∑ i = 1 m [ ∑ l = 1 k e θ l T X ( i ) − e θ j T X ( i ) ∑ l = 1 k e θ l T X ( i ) ⋅ X ( i ) ]
y(i)j y ( i ) ≠ j 时,
θjJ(θ)=1mi=1m[eθTjX(i)kl=1eθTlX(i)X(i)] ▽ θ j J ( θ ) = − 1 m ∑ i = 1 m [ − e θ j T X ( i ) ∑ l = 1 k e θ l T X ( i ) ⋅ X ( i ) ]
29 θj=θj+αθjJ(θ) θ j = θ j + α ▽ θ j J ( θ ) θj=θjαθjJ(θ) θ j = θ j − α ▽ θ j J ( θ )
47最后一行np.mat(dataTrain)np.mat(dataMatrix)
303图17.8下第6行“自编码圣经网络”自编码神经网络
已标记关键词 清除标记
©️2020 CSDN 皮肤主题: 编程工作室 设计师:CSDN官方博客 返回首页