- 博客(10)
- 资源 (6)
- 收藏
- 关注
原创 Machine Learning-L5-回归分析
线性回归:使用线性模型拟合数据输入和输出之间的映射关系。在线性回归中,试图找到一条直线(一个超平面),使所有样本到直线上(超平面上)欧氏距离(Euclidean distance)之和最小(均方误差对应欧式距离)。
2020-03-30 23:18:12 482
原创 SVM(五):SVM小结
SVM在解决高维特征的分类问题和回归问题很有效,在特征维度大于样本数时依然有很好的效果。 仅仅使用一部分支持向量来做超平面的决策,无需依赖全部数据。有大量的核函数可以使用,从而可以很灵活的来解决各种非线性的分类回归问题。 样本量不是海量数据的时候,分类准确率高,泛化能力强。但是SVM在样本量非常大,核函数映射维度非常高时,计算量过大,不太适合使用。非线性问题的核函数的选择没有通用标准,难以选择一个合适的核函数。特征维度远远大于样本数时,表现一般。
2020-03-21 22:20:24 838
原创 SVM(三):非线性支持向量机
现实任务中,训练样本经常不是线性可分的,即原始样本空间中并不存在一个能正确划分两类样本的超平面。对于这样的问题,基于Mercer核展开定理,通过内积函数定义的非线性变换,将样本从原始空间映射到一个高维特征空间(Hibbert空间),使得样本在这个高维特征空间内线性可分(升维线性化)。
2020-03-11 23:41:49 2176
原创 SVM(二):软间隔与正则化
硬间隔(hard margin)要求所有样本均满足约束,即所有样本都必须划分正确。软间隔(soft margin)允许某些样本不满足约束,即允许支持向量机在一些样本上出错。
2020-03-10 23:23:13 1725
原创 SVM(一):线性支持向量机
1.1 问题定义(1) 划分超平面(2) 点到超平面的距离(3)支持向量、间隔(4)最优超平面1.2 对偶问题1.3 问题求解
2020-03-09 23:32:49 1197 1
原创 Machine Learning-L8-SVM:支持向量机全面解析
支持向量机(Support Vector Machine)由Cortes 和Vapnik于1995年正式发表("Support vector networks", Machine Learning, 20(3):273-297),由于在二维表分类任务中显示出卓越性能,很快成为机器学习的主流技术,并在2000年掀起了统计学习的高潮。
2020-03-08 23:34:31 805
原创 熵
1 信息熵熵的概念首先在热力学中引入,用于度量一个热力学系统的无序程度。1948年,C.E. Shannon 在《A Mathematical Theory of Communication》第一次提出了信息熵。信息熵(Entropy)是信息的不确定性(Uncertainty)的度量,不确定性越大,信息熵越大。信息用来消除事件的不确定性,即消除熵=获取信息。消除熵可以通过调整事件概率、排...
2020-03-07 23:21:58 640
原创 TensorFlow 添加卷积层
Tensorflow中提供了tf.nn.conv2d与tf.layers.conv2d用于添加卷积层,两者功能类似,后者为更高一级的api,和keras.layer类似。前者的激活函数需要另外代码,后者的激活函数是一个参数,不需要另外代码。1. tf.nn.conv2dtf.nn.conv2d( input, filter, strides, padding,...
2020-03-01 16:16:13 1827
原创 TensorFlow 添加全连接层
Tensorflow中提供了tf.layers.dense()与tf.contrib.layers.fully_connected用于添加全连接层,两者功能一样,后者在前者基础上封装实现。1. tf.layers.dense()tf.layers.dense( inputs, units, activation=None, use_bias=True, ...
2020-03-01 14:29:48 3581
2023全球隐私计算报告
2023-11-27
《现代密码学教程》PPT课件
2023-06-19
Oracle学习资料-中科院oralce教学ppt
2023-06-15
安全多方计算学习资料 - 6篇专著及论文
2023-06-15
机器学习领域:泰坦尼克号生还预测 数据集及完整代码
2023-04-13
Gephi快速入门手册与数据集
2023-02-24
MovieLen 1M版本(m1-1m.zip)数据集
2022-01-24
lshort-cn.rar
2020-04-21
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人