- 博客(6)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 sklearn.preprocessing
sklearn中提供了数据预处理的模块，该模块包括了scaling（缩放），centering（中心化），normalization（归一化），binarization（二值化）和imputation（缺失值填补）操作。实际上metric-based和gradient-based模型都假设输入的特征是标准正态分布的。而决策树是一个例外，它能接受任意scale的数据。sklearn提供的例子，比较...
2019-04-18 08:04:04
491
原创 sklearn.model_selection
该模块一共讲述了三部分的内容，交叉验证：评估模型，微调模型的超参数以及学习曲线可用的API有拆分策略，参数优化的方法以及模型评估拆分策略对于独立同分布(i.i.d)的数据函数名作用重要参数方法备注KFold([n_splits,shuffle,…])k折交叉验证n_splits:多少折；shuffle:是否打乱数据；random_state：随机种子get_...
2019-04-15 09:44:42
814
翻译 sklearn中的Logistic Regression
Logistic regression,这名字听上去像一种回归算法，但实际上它更像一种分类算法。Logistic回归函数也被称为对数几率函数，最大熵模型（真的吗？）。在 sklearn 中，逻辑斯特回归函数来自于Logistic Regression这个类，适用于拟合0-1类，多分类（OvR），多项逻辑斯特回归（即y的值是多项的，可以是（0,1,2)），可用L1和L2正则项来优化模型。在优化问...
2019-04-03 12:06:59
3494
原创 机器学习中L1,L2范数的理解
在机器学习中，为了减缓过拟合现象，常在损失函数后添加一个正则项，常见的是L1正则项和L2正则项，也称L1和L2范数。简介在介绍公式前，我们先来讲讲添加正则项的本质，通常情况中认为如果系数小的话，模型比较简单，能适应更多的模型，从而减少过拟合现象。而如果系数一旦很大的话，那么数据只要偏移一点点，那么结果就会差很多；与此同时，如果系数比较小的话，数据偏移一些几乎不会对结果有什么影响。所以，添加正则...
2019-03-30 21:44:48
890
原创 深度学习实践
深度学习实践简易指南本文的知识的起点是《一天搞懂深度学习》，视频地址。视频的入门起点很低，笔者根据该视频以及自身的已有的知识，总结了一下该视频中出现的，我认为比较重要的知识点，并且做出适当的延伸。一些比较基础的知识点，例如卷积层的运算，梯度下降的运算法则等，将不再赘述。本文中不会出现过多的数学解释，全文以实践为目的。目录1. 在训练集上效果不佳时，可采取的措施· 选择合适的损失函数· m...
2019-03-29 17:30:05
502
原创 Python绘制双动态散点图并保存
例程：import matplotlib.pyplot as pltimport matplotlib.animation as animationimport randomfig, ax = plt.subplots()line,=ax.plot([],[],marker='o',markeredgewidth=9)line_1,=ax.plot([],[],marker='o...
2019-03-26 15:01:35
3232
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人