lda

【数据挖掘】一、基于LDA的用户兴趣建模(兴趣标签生成模型)--用户兴趣挖掘模型本文的数据集来源于英雄联盟评论数据集，旨在挖掘英雄联盟评论数据中的主题兴趣标签。本次实验是基于LDA模型实现用户的兴趣建模，即从英雄联盟评论数据中生成用户感兴趣的标签。

Redis Windows最新安装教程（2024.10.10)Redis（Remote Dictionary Server）是一个开源的、基于内存的数据结构存储系统，常用作数据库、缓存和消息中间件。Redis具有快速、灵活、可扩展和高可用性等特点。

用Python解决分类问题_线性判别分析(LDA)模板线性判别分析（Linear Discriminant Analysis，简称LDA）是一种经典的线性学习方法，属于监督学习，主要用于数据的分类和降维。LDA的目标是在特征空间中寻找一个最优的直线（或超平面），以区分不同的类别。它通过最大化类间差异和最小化类内差异来实现这一目标。LDA通常用于高维数据的降维，并且可以提高分类器的性能。

机器学习笔记人脸识别技术全面回顾和小结(1)人脸识别是视觉模式识别的一个细分问题。人类一直在识别视觉模式，我们通过眼睛获得视觉信息。这些信息被大脑识别为有意义的概念。对于计算机来说，无论是图片还是视频，它都是许多像素的矩阵。机器应该找出数据的某一部分在数据中代表了什么概念。这是视觉模型识别中的一个粗略分类问题。对于人脸识别，需要在所有机器认为人脸的数据部分区分人脸属于谁。这是一个细分问题。

努力学习各种软件

基于某评论的TF-IDF下的LDA主题模型分析完整代码：一、数据清洗代码逐行讲解：读取同目录下的文件，df1是数据框格式提取评论内容，并对评论内容做清洗，采用正则表达式，去除标点和英文。

pandas教程：Introduction to statsmodels statsmodels简介statsmodels是一个有很多统计模型的python库，能完成很多统计测试，数据探索以及可视化。它也包含一些经典的统计方法，比如贝叶斯方法和一个机器学习的模型。

【人工智能Ⅰ】8-回归 & 降维分类任务准确率、精确率与召回率、F值、ROC-AUC、混淆矩阵、TPR与FPR回归任务MSE、MAE、RMSE

python爬虫教程：selenium常用API用法和浏览器控制selenium新版本(4.8.2)很多函数，包括元素定位、很多API方法均发生变化，本文记录以selenium4.8.2为准。

主题模型LDA教程：LDA主题数选取：困惑度preplexingLDA作为一种无监督学习方法，类似于k-means聚类算法，需要给定超参数主题数K，但如何评价主题数的优劣并无定论，一般采取人为干预、主题困惑度preplexing和主题一致性得分coherence score，本文介绍困惑度。

「Python」机器学习之线性判别分析（代码，不调包）在学习了机器学习的相关内容后，决定自己尝试实现，并记录下来，便于以后重温和回顾。由于 python 在数学计算上的优势，所以使用 python以简化相关的数学运算操作，并尽量不采用现有的机器学习库，专注于算法实现。

简简单单做算法

基于机器学习的情绪识别算法matlab仿真,对比SVM,LDA以及决策树3.算法运行软件版本