| 共 64 篇文章 |
|
我们程序也需要一个机制去评估我们θ是否比较好，所以说需要对我们做出的h函数进行评估，一般这个函数称为损失函数（lossfunction）或者错误函数(errorfunction)，描述h函数不好的程度，在下面，我们称这个函数为J函数。这句话有一点拗口，损失函数(lossfunction)描述的是模型的不靠谱程度，损失函数越大，则说明模型越容易出错（其实这里有一... 阅1 转自诸文馆 公众公开 16-11-07 17:12 |
Deep Learning源代码收集-持续更新…收集了一些Deep Learning的源代码。Deep Learning Tutorial notes and code.A Matlab toolbox for Deep Learning.Matlab Code for Restricted/Deep BoltzmannMachines and Autoencoder.A MATLAB / MEX / CUDA-MEX implementation ofConvolutional Restricted Boltzmann Machines.C++ 11 implementation of G... 阅102 转0 评0 公众公开 15-01-23 15:06 |
在Mahout的聚类分析的计算过程中，数据对象会转化成向量（Vector）参与运算，在Mahout中的接口是org.apache.mahout.math.Vector 它里面每个域用一个浮点数（double）表示，你可以通过继承Mahout里的基类如：AbstractVector来实现自己的向量模型，也可以直接使用一些它提供的已有实现如下：hadoop jar /soft/mahout/mahout/examples/target/mah... 阅463 转3 评0 公众公开 14-04-02 21:41 |
Spectral Clustering（谱聚类）是一种基于图论的聚类方法，它能够识别任意形状的样本空间且收敛于全局最有解，其基本思想是利用样本数据的相似矩阵进行特征分解后得到的特征向量进行聚类，可见，它与样本feature无关而只与样本个数有关。显然，式子1和式子2有相同的特征值，但是对应特征值的特征向量关系为：，因此我们可以先求式子2的特征值及... 阅767 转13 评0 公众公开 13-06-02 23:22 |
但是对于原始数据直接做 K-means 的话，虽然最初的数据是稀疏矩阵，但是 K-means 中有一个求 Centroid 的运算，就是求一个平均值：许多稀疏的向量的平均值求出来并不一定还是稀疏向量，事实上，在文本数据里，很多情况下求出来的 Centroid 向量是非常稠密，这时再计算向量之间的距离的时候，运算量就变得非常大，直接导致普通的 K-means 巨慢无... 阅981 转8 评0 公众公开 13-06-02 23:18 |
RapidMiner数据挖掘入门之一：概要转自 http://www.cnblogs.com/wentingtu/archive/2012/03/03/2377967.htmlRapidMiner数据挖掘入门之一：概要 1 简介RapidMiner原名Yale，它是用于数据挖掘、机器学习、商业预测分析的开源计算环境。第二种是以算子（Operators）形式导入，从算子中的import类中可以选择十几种导入算子拖拽到主流程图中，然后在... 阅936 转10 评0 公众公开 13-02-27 23:01 |
Comments from Xinwei: 本文是从deeplearning网站上翻译的另一篇综述，主要简述了一些论文、算法已经工具箱。深度学习是ML研究中的一个新的领域，它被引入到ML中使ML更接近于其原始的目标：AI。Theano是一个python库，使得写深度学习模型更加容易，同时也给出了一些关于在GPU上训练它们的选项。关于mcRBM模型，我们有一篇新的关于从能量模型中... 阅2346 转17 评0 公众公开 12-10-19 22:07 |
ASCII码文件可在屏幕上按字符显示，例如源程序文件就是ASCII文件，用DOS命令TYPE可显示文件的内容。CODE:% Load the file to the matrix, M :M = load(''sample_file.txt'') % Add 5 to M :M = M +5 % Save M to a .mat file called ''sample_file_plus5.mat'':save sample_file_plus5 M% Save M to an ASCII ... 阅348 转7 评0 公众公开 12-07-25 21:47 |
阅181 转2 评0 公众公开 12-07-22 17:33 |
我们先计算 R2：“北大-->被打”的置信度，它也同样能说明某种关联，北大本科生 14000人（大约），平均每年收学生3500人，设其中挨过家长打的有3K人（1≤k<10），没有挨打的不少于3470人，则：北大-->被打， 置信度为 3K/3500 <0.86% 北大-->不被打， 置信度为 3470/3500 >99.14%可见，“被打”和“北大”的关联 很小，不足... 阅749 转5 评0 公众公开 12-04-10 14:28 |
