他的首页
他的馆藏
他的动态
馆友反馈
关于他
| 共 16 篇文章 |
|
If, on the other hand, the observed value is a value among unlikely values to be found, then there is a statistically significant difference.A significance test measures whether some observed value is similar to the population statistic or if the difference between the observed value and the population statistic is la... 阅541 转1 评0 公众公开 18-05-26 10:40 |
电影推荐：26部最动人的爱情电影。刚才提到的那个法国才女的电影，也是她编剧，全片都是两个人的对白而已，著名的谈话电影，但是已经包含爱情的全部。情到深处》 有点老的片子，很像香港电影《初恋无限TOUCH》，很唯美。男女主角都很养眼的电影。26. 《Eternal Sunshine of the Spotless Mind 纯洁心灵的永恒阳光》 以爱情为主线的科幻电影，Ji... 阅1233 转3 评0 公众公开 18-05-25 16:38 |
$ ./svm-scale -l -1 -u 1-s range1 svmguide1 >svmguide1.scale.$ ./svm-scale -r range1svmguide1.t >svmguide1.t.scale.$ ./svm-predictsvmguide1.t.scale svmguide1.scale.model svmguide1.t.predict.$ ./svm-scale -l -1 -u 1-s range3 svmguide3 >svmguide3.scale.$ ./svm-scale -r range3svmguide3.t >svmguide3.t.scale.$ ... 阅74 转0 评0 公众公开 18-05-21 15:54 |
决策树、SVM、AdaBoost方法的比较2017年06月08日 10:53:17阅读数：3307 - 选择的算法：决策树、集成方法、支撑向量机。决策树。能够同时处理多种数据类型给定一个决策树模型，可以根据产生的决策树推出相应的逻辑表达式；决策树可以很好地扩展到大型数据中，同时决策树的大小独立于数据库的大小；对于类比不一致的样本，决策树的信息增益倾向... 阅269 转1 评0 公众公开 18-05-17 17:21 |
数据标准化/归一化normalization.最常用的是 min-max标准化 和 z-score 标准化。min-max标准化(Min-max normalization)/0-1标准化(0-1 normalization)/线性函数归一化/离差标准化。最常见的标准化方法就是Z标准化，也是SPSS中最为常用的标准化方法，spss默认的标准化方法就是z-score标准化。也叫标准差标准化，这种方法给予原始数据的均值（mea... 阅138 转2 评0 公众公开 18-05-05 19:54 |
这种归一化方式，当我们对数据分布的中间地带需要着重分析，而对两端数据并不是很敏感时，可以使用，具体的a和b根据问题去调整，其中a影响的是上图中蓝色曲线的陡峭程度，b影响的是曲线的平移。需求：目标值的上界和下界不需要明确知晓，并且对两端数据值不敏感，而对中间部分的数据值敏感。对于较大数量的数据而言，将会有68.26%的数据归一化... 阅15 转0 评0 公众公开 18-05-05 19:53 |
假期充电 | 10大机器学习开源项目推荐（Github平均star为1385）本文推荐的10大机器学习开源项目是由Mybridge从250个机器学习开源项目中挑选出来的，Github 平均 star为 1385，主题包含：Tensorflow, Augmentation, AlphaGo Zero, NSynth, Deep Neuroevolution, Person Blocker, TCN, Ann Visualizer, Watson等。▌Rank 1：TensorFlow.js（6129 ... 阅32 转0 评0 公众公开 18-05-01 20:59 |
提高机器学习模型准确率的八大方法。左侧：缺失值处理前;右侧：缺失值处理后 从上面的例子中，我们可以看出缺失值对于模型准确率的不利影响。所幸，我们有各种方法可以应对缺失值和异常值： 缺失值：对于连续变量，可以把缺失值替换成平均值、中位数、众数。你也可以建立模型预测缺失值。比如，某个数据集中第一个变量以米计算，第二个变量是厘... 阅33 转0 评0 公众公开 18-04-28 19:27 |
m = K.mean(X, axis=-1, keepdims=True)#计算均值 std = K.std(X, axis=-1, keepdims=True)#计算标准差 X_normed = (X - m) / (std + self.epsilon)#归一化 out = self.gamma * X_normed + self.beta#重构变换 上面的x是一个二维矩阵，对于源码的实现就几行代码而已，轻轻松松。其实因为偏置参数b经过BN层后其实是没有用的，最后也会被均值... 阅19 转0 评0 公众公开 18-04-23 09:56 |
为什么正则化能减少模型过拟合程度。为了将过拟合的模型变为正好（Just Right），从图中直观上来看，只需要减小高次项的权重。正则化项能减少模型的非线性程度，从而降低模型的过拟合。从图中来看，正则化项能将过拟合的模型（蓝色）变为Just Right的模型（粉红色）。z变小，就到了激活函数的线性区域，从而降低了模型的非线性化程度。 阅93 转0 评0 公众公开 18-04-18 20:57 |
