- 博客(5)
- 收藏
- 关注
RSS订阅转载 DAY8(机器学习--正则化总结)
作用：正则化是一种有效的防止过拟合、提高模型泛化能力方法，在机器学习和深度学习算法 中应用非常广泛，在早期的机器学习领域一般只是将范数惩罚叫做正则 化技术，而在深度学习领域认为：能够显著减少方差，而不过度增加偏差的策略都可以认为 是正则化技术，故此推广的正则化技术还有：扩增样本集、早停止、Dropout、集成学习、多 任务学习、对抗训练、参数共享等（具体见花书）对于正则化的认识则依据...
2019-07-25 21:32:00
107
转载 DAY6 朴素贝叶斯
朴素贝叶斯基础基本概念：条件概率：指事件A在另外一个事件B已经发生条件下的概率贝叶斯定理：P(AB)=P(A∣B)∗P(B)--->先验概率：先验概率（Prior Probability）指的是根据以往经验和分析得到的概率。例如以上公式中的P(A),P(B)P(A),P(B),又例如：X表示投一枚质地均匀的硬币，正面朝上的概率，显...
2019-07-23 21:33:00
95
转载 DAY 2（BP神经网络）
如图：第一层是输入层，包含两个神经元i1，i2，和截距项b1；第二层是隐含层，包含两个神经元h1,h2和截距项b2，第三层是输出o1,o2，每条线上标的wi是层与层之间连接的权重，激活函数我们默认为sigmoid函数。关于sigmoid函数：图形： 导数：OK ,继续输入及目的： 输入数据 i1=0.05，...
2019-07-19 21:33:00
182
转载 DAY 1（推荐系统之矩阵分解）
给出如上一个打分矩阵R（5，4），“——”表示未打分，n行m列，n表示user个数，m表示item个数问题是：如何得到未打分的商品进行有效的预测？——矩阵分解的思想可以解决这个问题，其实这种思想可以看作是有监督的机器学习问题（回归问题）矩阵R可以近似表示为P与Q的乘积：R（n,m）≈ P(n,K)*Q(K,m)将原始的评分矩阵分解成两个矩阵和的乘积：...
2019-07-19 20:48:00
150
转载 DAY 1（概念整理）
一.协同过滤1.简介利用某兴趣相投、拥有共同经验之群体的喜好来推荐用户感兴趣的信息，个人通过合作的机制给予信息相当程度的回应（如评分）并记录下来以达到过滤的目的进而帮助别人筛选信息，回应不一定局限于特别感兴趣的，特别不感兴趣信息的纪录也相当重要。分为评比（rating）或者群体过滤（social filtering）。 协同过滤推荐（Collaborative...
2019-07-19 20:32:00
156
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