| 共 167 篇文章 |
|
传统的梯度下降方法采用固定步长，存在一个问题：它会对大梯度的参数做出较大调整（在这些情况下我们可能需要更加小心），而对小梯度的参数调整较小（这里可能需要进一步的探索）。对于任何损失函数，梯度为零的位置处海森矩阵的特征值能够帮助我们将该位置分类为：（i）最小值（所有特征值均为正），（ii）最大值（所有特征值均为负），或（ii... 阅8 转0 评0 公众公开 24-02-21 20:45 |
超强，必会的机器学习评估指标。# 计算各种评估指标silhouette = metrics.silhouette_score(X, y_kmeans)davies_bouldin = metrics.davies_bouldin_score(X, y_kmeans)calinski_harabasz = metrics.calinski_harabasz_score(X, y_kmeans)print(silhouette)print(davies_bouldin)print(calinski_harabasz)降维指标降维是一种无监督机器学习，涉... 阅33 转0 评0 公众公开 24-02-05 02:13 |
最优化问题概述(有约束vs无约束, 离散vs连续, 确定性vs随机性, 凸vs非凸)目标函数 (1.1) 表示极小化函数 ，约束条件 (1.2) 表示不等式约束， 约束条件 (1.3) 表示等式约束。2.1 有约束 vs 无约束。如果其中有一个或者两者都不是凸的，那么相应的最小化问题是 非凸优化问题．因为凸优化问题的任何局部最优解都是全局最优解，其相应的算法设计以... 阅19 转0 评0 公众公开 24-01-28 02:38 |
什么是因果推断的“黄金标准”？本文介绍因果推断的黄金标准：随机对照试验。因果推断试图区分“相关”和“因果”。在随机对照试验中，参与者被随机分配到两个或多个组别，其中至少有一个是对照组（不接受干预或接受标准干预），而其他组则接受一种或多种试验干预。在这项观察性研究中，研究者收集了服用该药物的患者和未服用该药物的患者的数... 阅4 转0 评0 公众公开 24-01-28 02:21 |
# Create a PCA object with the desired number of componentspca = PCA(n_components=2)# Fit and transform the datadata_reduced = pca.fit_transform(data)data_reduced 变量将包含二维的缩减数据。# Create a TSNE object with the desired parameterstsne = TSNE(n_components=2, perplexity=30, learning_rate=200, n_iter=1000)# Fit ... 阅49 转0 评0 公众公开 24-01-28 02:12 |
换句话说，精确度回答了一个问题：“当模型预测一个实例为正样本时，这个预测有多少概率是准确的？”一个高精确度的模型意味着，当它预测一个实例为正样本时，这个实例很有可能确实是正样本。精确性衡量的是模型预测为正样本的实例中实际为正样本的比例，而召回率衡量的是在所有实际为正样本的实例中，模型正确预测为正样本的比例。它不仅关注... 阅1 转0 评0 公众公开 24-01-08 21:18 |
from sklearn.model_selection import train_test_splitX_train, X_rem, y_train, y_rem = train_test_split(X, y,train_size=0.70)X_valid, X_test, y_valid, y_test = train_test_split(X_rem,y_rem,test_size=0.15)from sklearn.model_selection import train_test_splitX_train, X_test, y_train, y_test = train_test_split(X, y,train_si... 阅74 转0 评0 公众公开 23-12-13 21:15 |
万字因果推断入门：为什么要做因果推断？总结一下，DAG 有向无环图是 graph 的一种特殊形式，贝叶斯网络和因果图都是用 DAG 表示的，但是两者的含义不一样，贝叶斯网络表达的是变量之间的依赖关系，而因果图表达的是变量之间的因果关系。我们写结构方程时已知的变量称为内生（endogenous）变量， 这些是我们正在建模因果机制的变量 - 在因果图... 阅12 转0 评0 公众公开 23-12-09 17:34 |
# 绘制函数曲线和梯度下降路径x_range = np.linspace(-10, 10, 100)plt.plot(x_range, f(x_range), label=''''''''f(x)'''''''')plt.scatter(x_history, f(np.array(x_history)), c=''''''''red'''''''', l... 阅33 转0 评0 公众公开 23-11-12 17:56 |
老规矩，先上一个各个降维算法信息表对比，X 表示高维输入矩阵大小是高维数D乘以样本个数N，,Z 表示降维输出矩阵大小低维数d乘以N，,线性映射是,高维空间中两两之间的距离矩阵为A，Sw,Sb分别是LDA的类内散度矩阵和类间散度矩阵，k表示流形学习中一个点与k个点是邻近关系,F表示高维空间中一个点由周围几个点的线性组合矩阵,。P 是高维空间中两点... 阅6 转0 评0 公众公开 23-11-12 08:13 |
