- 博客(2)
- 收藏
- 关注
转载 L1和L2正则化的直观理解
这部分内容将解释为什么L1正则化可以产生稀疏模型(L1是怎么让系数等于零的),以及为什么L2正则化可以防止过拟合。L1正则化和特征选择假设有如下带L1正则化的损失函数: J=J0+α∑w|w|(1)其中J0是原始的损失函数,加号后面的一项是L1正则化项,α是正则化系数。注意到L1正则化是权值的绝对值之和,J是带有绝对值符号的函数,因此J是不完全可微的。机器学习的任务就是要通过一些方法(比如梯度下降...
2018-07-09 15:02:54 890 3
原创 IE浏览器不兼容问题
IE浏览器不兼容问题项目在火狐,谷歌浏览器都没有任何问题,但是单纯ie浏览器上就会出问题,看似是项目设计中的逻辑问题一样。可参考以下:var condictions=encodeURI(date)+"@"+encodeURI(place)+"@"+encodeURI(specific)+"@"+encodeURI(delay)+"@"+encodeURI(influence)+"@"+encode...
2018-07-02 17:32:13 1868
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人