2014-12-12T01:50:00+00:00 https://jonasnick.github.io/ Jonas Nick Zola 2014-12-12T01:50:00+00:00 https://jonasnick.github.io/blog/2014/12/12/fcw-kernel <p>A Feature Coinciding Walk Kernel classifies nodes in a graph.</p> <p>This project is a python port of <a rel="external" href="https://github.com/rmgarnett/coinciding_walk_kernel">Coinciding Walk Kernels</a> (CWK) [1] and introduces an extension of the model called Feature-CWK (FCWK). If you want to jump right into some code see the <a rel="external" href="https://nbviewer.ipython.org/github/jonasnick/FCW-Kernel/blob/master/benchmark.ipynb">benchmark</a>.</p> <p>CW-Kernels deal with the problem of node classification (aka link-based classification) in which a set of features and labels for items are given just as in regular classification. In addition, a node classification algorithm accepts a graph of of items and item-item links. It has been shown that the additional information that is inherent in the network structure improves performance for certain algorithms and datasets.</p> <p><a rel="external" href="https://github.com/jonasnick/FCW-Kernel"><center><strong>Read More</strong></center></a></p> 2013-03-15T17:26:00+00:00 https://jonasnick.github.io/blog/2013/03/15/regressionsmodelle-und-parameterschatzverfahren <p><img src="/images/regressionPresentation-linearFit.png" width="500"></p> <p><a href="/papers/regression.pdf">Eine Einführung</a>, die als Ausarbeitung für das Seminar “Maschinelles Lernen” an der Universität Tübingen entstanden ist. Die Grundlagen linearer, nichtlinearer, logistischer und Bayes Regression werden behandelt, sowie Verfahren zur Schätzung der Modellparameter aus statistischen Annahmen vorgestellt. Anschließend wird die logistische Regression auf den Titanic Datensatz angewandt und unter anderem gezeigt, dass das Motto “Frauen und Kinder zuerst” bei der Katastrophe zutraf.</p> <p><strong>Every plot is produced using the open source statistic software <a rel="external" href="http://www.r-project.org/">R</a> inside the $\LaTeX$ file (Sweave). Code is <a rel="external" href="https://github.com/jonasnick/regression/blob/master/ausarbeitung/ausarbeitung.Rnw">here</a>.</strong></p> <blockquote> <p>Charakteristisch für überwachtes maschinelles Lernen, zu der auch die Regression gehört, ist das Beschreiben der Beziehung von Zielvariable und erklärender Variable aus vorliegenden Daten, also Realisierungen von Zufallsvariablen.</p> </blockquote> <blockquote> <p>Das Regressionsmodell stellt $y$ durch die Summe einer Hypothese von $x$ und einem Fehlerterm $\epsilon$ dar.</p> </blockquote> <blockquote> <p>$$ y = h(x) + \epsilon $$</p> </blockquote> <p><a href="/papers/regression.pdf"><center><strong>PDF weiterlesen</strong></center></a></p>