PID控制器开发笔记之一：PID算法原理及基本实现 在自动控制中，PID及其衍生出来的算法是应用最广的算法之一。各个做自动控制的厂家基本都有会实现这一经典算法。我们在做项目的过程中，也时常会遇到类似的需求，所以就想实现这一算法以适用于更多的应用场景。 1、PID算法基
1、过拟合 所谓过拟合就是：把训练样本自身的一些特点当作了所有潜在样本都会具有的一般性质，这样就会导致训练出的模型其泛化能力降低，这就是过拟合。 如何解决？ 1）Early stopping Early stopping便是一种通过提前截断迭代次数来防止过拟合的方法，即在模型对训练数据集迭代收敛之前
推荐系统（2） 多层模型 全局global 总体偏差：e.g.平均值作为基线 局部local 处理局部影响：e.g.相关性 协调过滤CF 抽取局部模式 Ⅰ协同过滤CF \[ r_{xi} = \frac{\sum_{j \in N(i;x)}S_{ij}·r_{xj}}{\sum_{j \in N(i;x)}S_{ij}} \] Ⅱ协同过滤CF+偏差biases 在实践中，对偏差进行建模，得到
总结 现在，通过诊断模型是出现了高偏差还是高方差问题，我们对于在陷入不归路的调试中提到算法优化手段有了各自的使用场景： 手段 使用场景 采集更多的样本 高方差 降低特征维度 高方差 采集更多的特征 高偏差 进行高次多项式回归 高偏差 降低参数 λλ 高方差 增大参数 λ
1..一般回归：特征数小于样本数 1.1局部回归:利用高斯核，提高预测精度 高斯核中自定义k值取值，在对新数据预测时，值越高一般比低值预测效果好 缺点：增加计算量，局部加权回归每次必须在整个数据集上运行，为了做出预测，必须保存所有的训练数据 2.缩减系数来“理解”数据，特点是特征数大于
SQL Server统计信息偏差影响表联结方式案例浅析 我们知道数据库中的统计信息的准确性是非常重要的。它会影响执行计划。一直想写一篇关于统计信息影响执行计划的相关博客，但是都卡在如何构造一个合适的例子上，所以一直拖着没有写。巧合，最近在生产环境中遇到这么一个案例，下面
第6章 资金和风险管理 6.1 最优资本配置和杠杆 凯利公式说,最优化的承担风险的比例是 K = ( b*p - (1-p) )/b b是盈亏比(平均盈利/平均亏损) p是胜率( 盈利次数/总次数) 随净值变化，对资本配性进行不断调整。6.2 风险管理 无论何时发生亏损,风险管理总会建议要求减仓。当一家大
打开微信扫一扫，关注微信公众号【数据与算法联盟】 转载请注明出处：http://blog.csdn.net/gamer_gyt 博主微博：http://weibo.com/234654758 Github：https://github.com/thinkgamer 概述 对于数字序列1，3，5，7，？，正常情况下大家脑海里蹦出的是9，但是217314也是其一个解 9对应的数学公
"最不符合逻辑的地方，一定埋藏着最深刻的逻辑。"——余秋雨《行者无疆》 为什么要说幸存者偏差？ 因为2018年全国II卷的描述即为典型的“幸存者偏差”，且这一例子被引入维基百科。这是一个常见的认知偏差。 幸存者偏差简介 先来段维基百科的解释： 幸存者偏差（英语：survivorship bias），另译
学习算法中的高方差对应过拟合，高偏差对应欠拟合； debug学习系统时： 改善高方差的方法：增加训练集数量、减小特征数量、增大正则系数 改善高偏差的方法:增加特征数量、减小正则系数、
一、偏差、方差 偏差与方差分别是用于衡量一个模型泛化误差的两个方面； 模型的偏差，指的是模型预测的期望值与真实值之间的差； 模型的方差，指的是模型预测的期望值与预测值之间的差平方和； 在监督学习中，模型的泛化误差可分解为偏差、方差与噪声之和。 偏差用于描述模型的拟合能力；方
