2016年12月_anshiquanshu

转载微软官方caffe之 matlab接口配置

前言按照微软的官方地址配置可能会出现一个问题caffe_.mexw64找不到引用模块问题，或者在matlab里面压根找不到caffe_这个函数，下面会提到这两个问题。还是按照步骤来吧【PS1】有GPU同样按照下述步骤，进行即可【PS2】文章在matlab2013a、matlab2014a、matlab2015b中配置成功，但是在高版本或者更低版本情况下可能会出现问题

2016-12-19 20:23:22 5798 7

原创 Matlab 2015a 安装libsvm 3.21 步骤

1、下载libsvm 3.21，下载地址http://www.csie.ntu.edu.tw/~cjlin/libsvm/。2、将工具包放到任何地方均可，将工具包添加到Matlab的搜索路径。Set Path->add with subfolders->save3、编译。mex -setup 注意：mex后要有空格，然后再是-。会有以下提示 mex -setup

2016-12-18 21:08:43 2320

转载支持向量机_1: Maximum Margin Classifier

支持向量机即 Support Vector Machine，简称 SVM 。我最开始听说这头机器的名号的时候，一种神秘感就油然而生，似乎把 Support 这么一个具体的动作和 Vector 这么一个抽象的概念拼到一起，然后再做成一个 Machine ，一听就很玄了！不过后来我才知道，原来 SVM 它并不是一头机器，而是一种算法，或者，确切地说，是一类算法，当然，这样抠字眼

2016-12-07 20:18:13 1050

转载支持向量机_2: Support Vector

介绍支持向量机，结果说到 Maximum Margin Classifier ，到最后都没有说“支持向量”到底是什么东西。不妨回忆一下上次最后一张图：可以看到两个支撑着中间的 gap 的超平面，它们到中间的 separating hyper plane 的距离相等（想想看：为什么一定是相等的？），即我们所能得到的最大的 geometrical margin γ˜ 。而“支撑”这两个

2016-12-07 20:15:33 716

转载支持向量机_3: Kernel

前面我们介绍了线性情况下的支持向量机，它通过寻找一个线性的超平面来达到对数据进行分类的目的。不过，由于是线性方法，所以对非线性的数据就没有办法处理了。例如图中的两类数据，分别分布为两个圆圈的形状，不论是任何高级的分类器，只要它是线性的，就没法处理，SVM 也不行。因为这样的数据本身就是线性不可分的。对于这个数据集，我可以悄悄透露一下：我生成它的时候就是用两个半径不同的圆圈加上了少量的噪音得

2016-12-07 20:10:35 607

转载支持向量机_4：Outliers

在最开始讨论支持向量机的时候，我们就假定，数据是线性可分的，亦即我们可以找到一个可行的超平面将数据完全分开。后来为了处理非线性数据，使用 Kernel 方法对原来的线性 SVM 进行了推广，使得非线性的的情况也能处理。虽然通过映射 ϕ(⋅) 将原始数据映射到高维空间之后，能够线性分隔的概率大大增加，但是对于某些情况还是很难处理。例如可能并不是因为数据本身是非线性结构的，而只是因为数据有噪音。对

2016-12-07 20:04:00 385

转载支持向量机_5：Numerical Optimization

我在这里打算简单地介绍一下用于优化 dual 问题的 Sequential Minimal Optimization (SMO) 方法。确确实实只是简单介绍一下，原因主要有两个：第一这类优化算法，特别是牵涉到实现细节的时候，干巴巴地讲算法不太好玩，有时候讲出来每个人实现得结果还不一样，提一下方法，再结合实际的实现代码的话，应该会更加明了，而且也能看出理论和实践之间的差别；另外（其实这个是主要原因）

2016-12-07 19:59:21 316

转载支持向量机_6：Duality

在之前关于 support vector 的推导中，我们提到了 dual ，这里再来补充一点相关的知识。这套理论不仅适用于 SVM 的优化问题，而是对于所有带约束的优化问题都适用的，是优化理论中的一个重要部分。简单来说，对于任意一个带约束的优化都可以写成这样的形式：mins.t.f0(x)fi(x)≤0,i=1,…,mhi(x)=0,i=1,…,p形式统一能够简化推导过

2016-12-07 19:52:42 420

转载支持向量机_7：Kernel II

在之前我们介绍了如何用 Kernel 方法来将线性 SVM 进行推广以使其能够处理非线性的情况，那里用到的方法就是通过一个非线性映射 ϕ(⋅) 将原始数据进行映射，使得原来的非线性问题在映射之后的空间中变成线性的问题。然后我们利用核函数来简化计算，使得这样的方法在实际中变得可行。不过，从线性到非线性的推广我们并没有把 SVM 的式子从头推导一遍，而只是直接把最终得到的分类函数f

2016-12-07 19:48:18 462

转载支持向量机通俗导论（理解SVM的三层境界）

支持向量机通俗导论（理解SVM的三层境界）前言动笔写这个支持向量机(support vector machine)是费了不少劲和困难的，原因很简单，一者这个东西本身就并不好懂，要深入学习和研究下去需花费不少时间和精力，二者这个东西也不好讲清楚，尽管网上已经有朋友写得不错了(见文末参考链接)，但在描述数学公式的时候还是显得不

2016-12-06 22:48:20 724

转载 Logistic、Cox回归之图形化呈现（R语言中绘制Nomogram）

首先什么是Nomogram？简单的说这是一种将Logistic回归或Cox回归图形化呈现的方法，可以让读者从图中很简便地根据预测变量的值得到因变量的大致概率数值。其对于Logistic回归或Cox回归的意义，大概相当于散点图对于简单线性回归的意义。具体的介绍以及作图原理，这里就不详述了，有兴趣的请参照附件中SAS公司的一份文档。下面简单说下Nomogram怎么看。如下图。欲知年龄50岁的女性（

2016-12-03 15:16:39 24129 2

转载 R绘制Nomogram图的学习笔记

Nomogram，中文常称为诺莫图或者列线图，简单的说是将Logistic回归或Cox回归的结果进行可视化呈现。它根据所有自变量回归系数的大小来制定评分标准，给每个自变量的每种取值水平一个评分，对每个患者，就可计算得到一个总分，再通过得分与结局发生概率之间的转换函数来计算每个患者的结局时间发生的概率。下图显示的logisitc回归的诺曼图。比如想知道年龄70岁的男性的患病风险，只需要将ag

2016-12-03 14:23:23 29233 3

转载回归分析的可视化-nomogram

Nomogram就是这样一种有效的工具，中文常称为诺莫图或者列线图，其实质就是回归方程的可视化。它根据所有自变量回归系数的大小来制定评分标准，给每个自变量的每种取值水平一个评分，对每个患者，就可计算得到一个总分，再通过得分与结局发生概率之间的转换函数来计算每个患者的结局时间发生的概率。图1就是一个关于COX回归的nomogram，图中points就是一个选定的评分标准或者尺度，对于每个自变量取值，

2016-12-03 14:20:34 16515 6

转载 R语言：读取数据

主要学习如何把几种常用的数据格式导入到R中进行处理，并简单介绍如何把R中的数据保存为R数据格式和csv文件。1、保存和加载R的数据(与R.data的交互：save()函数和load()函数)a save(a, file = "data/dumData.Rdata") # data文件为当前工作目录下的文件，必须存在rm(a)load("data/dumData.Rdat

2016-12-02 22:16:23 1468

转载 C-index/C-statistic 计算的5种不同方法及比较

前言声明：所有计算基于R软件，如果有人问其他软件如何实现，请自行Google。评价一个预测模型的表现可以从三方面来度量：区分能力（discrimination）：指的是模型区分有病/没病，死亡/活着等结局的预测能力。简单举个例子，比如说，现有100个人，50个有病，50个健康；你用预测模型预测出46个有病，54个没病。那么这46个覆盖到50个真正有病的人的多少就直接决定了你模型

2016-12-02 19:49:48 36817 15

转载 Deep Learning（深度学习）

Deep Learning（深度学习）ufldl的2个教程(这个没得说，入门绝对的好教程，Ng的，逻辑清晰有练习)：一ufldl的2个教程(这个没得说，入门绝对的好教程，Ng的，逻辑清晰有练习)：二Bengio团队的deep learning教程，用的theano库，主要是rbm系列，搞python的可以参考，很不错。deeplearning.net主页，里面包含的

2016-12-02 11:15:02 631

anshiquanshu的专栏