an2160-CSDN博客

转载 random.choice函数

关于random.choice()，生成指定size的随机数，如果需要每一次产生的随机数相同，则需要设置随机数种子，random.seed(int).网上关于random.choice()方面的介绍很多，但是如果在函数内部添加一个概率P的情况下，又会生成怎样的一组随机数呢，网上的介绍少之又少，根据本人的实验过程探究，得出以下假设，供大家参考，当然如果您发现其中有误，十分欢迎留言，一起...

2018-01-12 09:48:00 2362

转载 Rating prediction and Ranking prediction

在推荐系统中，主要有两种效果的评价方式，一种是Rating prediction，另外一种是Ranking prediction，以下就是两者之间的一些差别:Rating Prediction:所用的评价指标主要是MSE(Mean Square Error), RMSE(Root Mean Square Error);Ranking Prediction:常用的指标主要是Pr...

2018-01-10 17:51:00 793

转载 Dev-c++在windows环境下无法debug(调试)的解决方案

　　如标题所见，在官网上下载的最新版本的Dev-C++居然无法调试，这是何等烦人，有些时候我们为了更加了解一下代码中递归部分的变化情况，debug功能举足轻重。在本人的windows环境下一debug(F5)，dev-c++就立马跳出个程序遇到错误的提示，然后关闭程序，但是本人想了想：是不是本人代码功力太菜，是代码导致软件崩溃呢？最后尝试着写了个"Hello-World!"，依然是在...

2017-11-30 10:51:00 1146

转载机器学习正则化参数的学习(l_0/l_1/l_2范数等)

　　特此申明:本博客引用链接:机器学习中的范数规则化之（一）L0、L1与L2范数　　我们都知道在优化问题上，我们除了需要最小化训练误差,例如通过square loss，log loss，exp loss等，我们还需要同事兼顾模型的泛化性能，因此我们需要通过添加正则项来进行提高模型的泛化性能，同时添加上的正则项也能够帮助我们来减少测试上的误差，从而提高推荐上的效果(precision...

2017-11-24 11:03:00 177

转载强化学习入门到深入理解

http://www.cnblogs.com/mo-wang/p/4910855.html转载于:https://www.cnblogs.com/liuji/p/7857362.html

2017-11-18 17:05:00 146

转载 pycharm 导入tensorflow包显示"no module"问题

　　本人win7，安装的是cpu版本的tensorflow，在cmd确认安装成功并且测试成功后，转到pycharm测试tensorflow的效果时，发现遇到“no module”问题，解决办法是：在pycharm内:File->setting->project interpreter内将project interpreter修改为local的python.exe即可。导致...

2017-10-08 11:12:00 750

转载机器学习中的范数规则化之（二）核范数与规则项参数选择

http://blog.csdn.net/zouxy09/article/details/24972869转载于:https://www.cnblogs.com/liuji/p/7594000.html

2017-09-25 21:13:00 53

转载机器学习中的范数规则化之（一）L0、L1与L2范数

http://blog.csdn.net/zouxy09/article/details/24971995转载于:https://www.cnblogs.com/liuji/p/7593765.html

2017-09-25 20:23:00 87

转载 Collaborative and One-Class Collaborate Filtering的概念以及区别

　　在经典的推荐算法中，协同过滤推荐应该是占有很重要的一部分，在论文“One-Class Collaborative Filtering“（链接：https://pdfs.semanticscholar.org/7d54/15874e0f8b8f9eda49187a9030ce6bca41b1.pdf）”介绍到协同推荐(Collaborate filtering)为：The collab...

2017-09-21 20:42:00 579

转载 MDS(Multiple Dimensional Scalling)算法

MDS算法伪代码如下所示：问题描述：如果知道美国若干个城市之间的距离，如何通过这些距离来刻画若干个城市之间的相对位置情况呢？MDS算法是一种将多维的问题进行降低维度，以简化问题复杂度使得在有效时间内解决问题的方法。解决问题的思路：原来距离矩阵的得到需要通过步骤X->B->D;现如今需要通过D->B->X'的方法来得到一个低维度的X‘.算法描述：...

2017-09-18 20:19:00 439

an2160的博客