ICode9

精准搜索请尝试: 精确搜索
  • Alexnet学习笔记2021-10-03 13:03:56

    Alexnet学习笔记 全称:ImageNet Classification with Deep Convolutional Neural Networks 实现了37.5%和17.0%的top-1和top-5错误率,相比之前的技术先进很多 该神经网络有6000万个参数,在6000万个参数的情况下依旧可以很好的收敛,由五个卷积层组成,其中一些卷积层后面有池化层,以及三个

  • 莫烦Python_关系拟合(回归)2021-10-01 10:00:48

      这次来见证神经网络是如何通过简单的形式将一群数据用一条线条来表示,或者说是如何在数据当中找到它们的关系,然后用神经网络模型来建立一个可以代表它们关系的线条。   创建一些假数据来模拟真实的情况,比如一个一元二次函数 y

  • 人工智能与机器学习(1)——初识线性回归2021-10-01 02:31:57

    人工智能与机器学习(1)——初识线性回归 目录人工智能与机器学习(1)——初识线性回归一.用excel中数据分析功能做线性回归练习二.通过jupyter进行python编程实现线性回归练习通过python实现最小二乘法对数据进行拟合初步了解学习线性回归1.不借助第三方库使用最小二乘法对数据进行拟合

  • 深度学习-偏差、方差、归一化2021-09-30 21:33:19

    偏差和方差衡量的必要性,因为深度学习中,根据没免费午餐定理,降低了偏差一定增加了方差,降低了方差也增加了偏差。 高偏差:欠拟合,线性不能充分拟合,非线性才能充分拟合 高方差:过拟合,对部分点描述过度,泛化误差增大 偏差和方差一定程度对应着训练误差和验证误差。 基本误差为0的情况下, 1、

  • LOESS 局部加权回归介绍2021-09-30 19:30:13

    一般来说,两个变量之间的关系是十分微妙的,仅仅采用简单的直线、曲线参数方程去描述是不够的,所以这时候就需要非参数回归。关于非参数和参数方法的区别,就是在分析之前有没有对预测做一些限制,比如认为特征和响应变量之间具有线性关系,可以通过线性方程拟合,我们只需要求出方程的系

  • 最小二乘法学习笔记2021-09-27 20:33:34

    一维数据拟合 参考自https://blog.csdn.net/shenliang1985/article/details/112327554?utm_medium=distribute.pc_aggpage_search_result.none-task-blog-2aggregatepagefirst_rank_ecpm_v1~rank_aggregation-1-112327554.pc_agg_rank_aggregation&utm_term=%E6%9C%80%E5%B0%8F%E4

  • Network in Network论文笔记2021-09-27 10:32:59

    Network in Network Introduction 传统卷积:广义线性模型(Generalized Liner Model,GLM),提取的浅层特征。只有数据线性可分时可以达到好的效果。 NIN:利用非线性模块(micro network,本文采用多层感知机——mlpconv)代替GLM。 GLM提取局部的线性特征,mlpconv包含多层感知机和全连接层

  • sklearn实现决策树2021-09-24 10:35:56

    sklearn中的决策树 模块:sklearn.tree 基本的建模流程: 实例化,建立评估模型对象 通过模型接口训练模型 通过模型接口提取需要的信息 以分类树为例: from skleran import tree #导入需要的模块 clf = tree.DecisionTreeClassifier() #实例化 clf = clf.fit(X_train,y_train)#用训

  • Spss 在散点图中添加线性拟合线2021-09-24 09:30:48

    在spss的散点图中是可以添加拟合线的 双击图片打开图表编辑器 点击元素---->总计拟合线 做如图的更改 完成了

  • nlp面试题目集锦2021-09-23 22:32:14

    (1)介绍dropout,为什么可以起到防止过拟合的作用 答 : Dropout是什么?为什么Dropout可以防止过拟合? (2). 使用的模型的计算量,Flops (3)共享参数,为什么可以提升效果(起到正则化的作用) (4)LSTM和transformer的各自的优缺点,以及复杂度分析 (5)BN层和LN层的区别,为什么自然语言处理里面用LN层 关

  • 第一课 机器学习基本概念2021-09-23 10:02:21

    文章目录 一、机器学习分类 监督学习:分类与回归无监督学习:聚类与降维二、机器学习常见术语 一、机器学习分类        机器学习主要分为监督学习和无监督学习,监督学习中数据有标注,可供学习,无监督学习中数据没有标注。 1.监督学习         对于监督学习,如果

  • 正则化——模型复杂度调整2021-09-21 23:34:25

    一、前言         在线性回归中,我们提过,线性回归模型在多项式特征和交互特征的加持下会变得十分灵活且复杂,几乎可以拟合任意函数曲线,但所谓过刚易则,过于复杂的模型会将数据中的一些噪声也学习进去,导致过拟合问题,所以我们常常更希望模型能稍微简单一些,增加其鲁棒性和泛化能力

  • 【机器学习基础】——线性回归2021-09-20 18:34:25

    之前看过一些有关机器学习的基础资料和视频,但很多知识点都记不太清了,现在专门开个专题,根据自己的理解将之前学过的进行回顾和整理,可能会引用一些例子和资料,资料主要来源于视频学习和《统计学习方法》一书,可能对于一些不清楚的问题会翻看一些博客等资料。 本节主要针对线性回归的原

  • 动手学深度学习 | 模型选择+过拟合和欠拟合 | 092021-09-20 11:32:51

    目录模型选择过拟合和欠拟合QA 模型选择 我们其实关心的是泛化误差,并不太关心训练误差。 训练误差:模拟考试成绩。 泛化误差:真实考试成绩。 所以我们会来计算我们训练误差和泛化误差呢?一般会有两种数据集,一个叫做验证集,一个叫做测试集。 一个常犯的错误:验证集和训练集混在一起。

  • scikit基础与机器学习入门(11) 欠拟合,过拟合和交叉验证2021-09-19 20:34:27

    欠拟合和过拟合的定义 在机器学习问题中,经常会出现模型在训练数据上的得分很高,但是在新的数据上表现很差的情况,这称之为过拟合overfitting,又叫高方差high variance 而如果在训练数据上得分就很低,这称之为欠拟合underfitting,又叫高偏差high bias 留出法与验证集 为了解决过拟合

  • ML机器学习理解2021-09-19 09:04:38

    1.什么是机器学习 2. 3.为什么要机器学习 (2) 作用:寻找数据之间的隐秘关联,对真值与目标属性进行聚类或者回归 分类:有监督、无监督、半监督;离散型、连续型 有监督:有真值,数据分组:训练与测试,训练所得到的模型在实际测试值的时候会有差错,那么就应该对其进行调整,但本质原因是我们搜集到

  • 线性回归与岭回归2021-09-18 13:01:55

    目录 一、什么是线性回归 1.线性回归简述 2.数组和矩阵 3.线性回归的算法 二、权重的求解 1.正规方程  2.梯度下降 三、线性回归案例 1.案例概述 2.数据获取 3.数据分割 4.数据标准化 5.模型训练 6.回归性能评估 7.梯度下降与正规方程区别 四、岭回归Ridge 1.过拟合与欠拟合 2

  • 机器学习笔记:过拟合与欠拟合2021-09-15 21:31:27

    文章目录 前言过拟合与欠拟合参考资料 前言 今天复习机器学习基础知识,关于过拟合和欠拟合有段比喻感觉很不错,让人印象深刻,这里分享给大家。 过拟合与欠拟合 过拟合与欠拟合现象就如同我们在过往经历上花费的精力,如果我们对过往的细节过分追究势必需要花费很大的精力,那

  • 李宏毅机器学习-Task22021-09-14 10:05:24

    Task2 回归定义:Regression 就是找到一个函数 function,通过输入特征 x,输出一个数值 。 按步骤来 第一步:函数集(model模型) 线性模型:注意区别单特征和多特征的线性模型 y=b+w✖Xcp y=b+∑wi✖xi 第二步:优化 给定数据集,点集 如何判断众多模型的好坏呢?损失函数:loss function L 损失函

  • 加入正则化项是如何减少过拟合的2021-09-13 18:31:48

    过拟合时加入正则化项为什么能减少过拟合,提高模型泛化能力?   要降低模型的复杂度,来获得模型更好的泛化能力。而降低模型的复杂度有两条路径:一是进行降维,进行特征约减,这样可以减少模型参数的个数。二是对参数进行约束。使得参数的取值范围减少。而第二种方法就是加正则项。 增加了

  • 太阳系尺的拟合应用原理及方法的探讨2021-09-13 09:02:28

    这是对《股市预测数学基础》中的第七章《基于太阳系数据的股市拟合数学模型的理论应用7.1倾斜的时空》的补充。当时只搞清楚了用法,但是不明数理原因,历时四五年了,现在数理原因也搞出来了。用法方面可参考这一章节。 一、数学拟合原理方面的思考 在写完前面的一系列文章以后,笔

  • 2021-09-112021-09-11 21:30:21

    多类别分类: 对于下面的例子,拟合出三个分类器 明天发,手机不好编辑

  • 【重点】数学建模学习(40):三维曲线(非线性)拟合2021-09-11 13:59:37

    举个例子: 三维曲线(非线性)拟合步骤 1 设定目标函数. (M函数书写)% 可以是任意的 例如: function f=mydata(a,data) %y的值目标函数值 或者是第三维的,a=[a(1) ,a(2)] 列向量 x=data(1,:); %data 是一2维数组,x=x1 y=data(2,:); %data 是一2维数组,x=x2 f=a(1)*x+a(2)*x.*y; %这里的a

  • 线性规划下的直线拟合2021-09-10 22:04:16

    前言         在我上一篇博文《散点图下基于切比雪夫(Chebyshev)近似准则拟合直线》,介绍了如何用三点极小化最大残差的方法去拟合直线。该直线满足切比雪夫准则。本篇文章主要介绍如何用线性规划去拟合直线,该结果也满足切比雪夫准则,同时也证明了我上一篇博文的正确性。 线

  • ML面试题2021-09-09 22:00:18

    ML面试题 特征工程的意义和作用 特征工程可以将样本数据处理成更为适合训练模型时模型更容易找寻出数据规则的数据集,且适当的特征工程可以提升最终模型处理分类或者回归的精度。 使用过哪些不同形式的特征工程 1.特征值化(文本特征抽取,字典特征抽取,onehot编码,分词工具) 2.特

专注分享技术,共同学习,共同进步。侵权联系[81616952@qq.com]

Copyright (C)ICode9.com, All Rights Reserved.

ICode9版权所有