![](https://img-blog.csdnimg.cn/20201014180756724.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
算法
文章平均质量分 59
巴顿庄园
这个作者很懒,什么都没留下…
展开
-
好文反复看
1、如何看待「机器学习不需要数学,很多算法封装好了,调个包就行」这种说法?https://www.leiphone.com/category/yanxishe/TcSnpkVlNofnqtrr.html原创 2021-07-28 09:08:24 · 144 阅读 · 0 评论 -
故障树最小割集程序化设计方案
故障树这一技术在针对工业设备的故障分析中应用较多,一个顶事件通常对应着一个故障,而这个故障可能包含有多个事件组合。最小割集指的是一系列组合事件的集合,这个集合中的每个事件组合是该故障发生的最小事件组合。如何求解最小割集是故障树算法应用的重要问题之一。下面就对最小割集的求解方法进行简述,并说明哪些方法适合用作程序设计。1、行列法又称为下行法。从顶事件开始,用下一层事件代替上一层事件,把“与门”连接的事件,按行横向排列;把“或门”连接的事件,按列纵向排开。这样,逐层向下,直至各基本事件,列出若干行,最后利原创 2021-06-01 16:04:13 · 8104 阅读 · 1 评论 -
激活函数总结
今天我们一起探讨一下常用的几种激活函数。激活函数的示意图如下所示:激活函数的作用:激活函数是作用于神经网络神经元输出的函数,只有加入了非线性激活函数之后,神经网络才具备了分层的非线性映射学习能力。激活函数可以分为线性激活函数和非线性激活函数。一、线性激活函数先说一下线性激活函数,此时神经网络并不能真正改善误差,因为每次迭代的梯度(导数)是相同的,网络将不能很好地训练和从数据中捕获复杂的模式。因此,线性函数可能是需要高度解释能力的简单任务的理想选择。二、非线性激活函数1、Sigmoid激活函原创 2021-04-28 18:02:49 · 7025 阅读 · 0 评论 -
综合评价算法的对比分析
近来,看了一些综合评价算法的资料,这里面包含熵值法、TOPSIS法、层次分析法、模糊综合评价法。综合评价,顾名思义,就是对一些已有的评价结果进一步综合评价,进而得出具有决策意义结果的算法。首先,说一下熵值法,以汽车综合评分为例,需要先获得每辆车在油耗、功率、费用等方面的评分,没有这个后面一些都是扯。熵值法要实现的就是通过对下面这个评分矩阵的分析,得出油耗、功率、费用等因素的权值(重要度),这个权值对于所有车都是一样的。之后,利用权值和每辆车在各个方面的评分就可以得到每辆车的综合评分结果,从而选出最优方案。原创 2021-04-02 15:14:28 · 3351 阅读 · 0 评论 -
深度学习要点总结
一、梯度消失于梯度爆炸层数比较多的神经网络模型在训练时也是会出现一些问题的,其中就包括梯度消失问题(gradient vanishing problem)和梯度爆炸问题(gradient exploding problem)。梯度消失问题和梯度爆炸问题一般随着网络层数的增加会变得越来越明显。例如,对于下图所示的含有3个隐藏层的神经网络,梯度消失问题发生时,接近于输出层的hidden layer 3等的权值更新相对正常,但前面的hidden layer 1的权值更新会变得很慢,导致前面的层权值几乎不变,仍原创 2021-02-23 17:50:26 · 323 阅读 · 0 评论 -
关联分析
关联分析中的项、项集、支持度计数等概念可参阅下面文献:https://baike.baidu.com/item/%E5%85%B3%E8%81%94%E5%88%86%E6%9E%90/1198018关联分析的python实践案例可参阅:https://blog.csdn.net/dwnmd/article/details/106035302个人总结:关联分析的结果是定性的,通过关联分析可以找出与A物品强关联(A出现时,其它物品经常出现的是什么)的物品,但是无法输出定量分析结果。...原创 2021-01-28 18:07:38 · 285 阅读 · 0 评论 -
机器学习要点总结
一、关于过拟合1、如何判断过拟合还是欠拟合?如果验证集和测试集的准确率都较低,说明欠拟合;如果两者的准确率差异较大,说明过拟合。过拟合的应对措施包括:1)交叉验证,例如K折交叉验证。2)用更多的数据参与训练,数据增强是其中的一中方法,包括翻转、平移、旋转、缩放、更改亮度等。3)移除特征,移除特征可以降低模型的复杂度,在一定概率上减少噪声。或者在神经网络中移除部分隐藏层或者减少神经元数量,这两点可以理解为降维。4)早停当验证损失由低点开始上升时,应该停止训练。5)正则化包括但不限于L1正则原创 2021-01-27 17:42:54 · 971 阅读 · 0 评论 -
多输入多输出回归模型(Multiple Input - Multiple Output)
大家所熟悉的机器学习算法的回归结果通常就是一个变量,而最近项目中遇到一个问题,希望利用多输入变量预测多输出变量,也就是multiple input -multiple output。拿到这个问题,我的思路有两个,一个是利用神经网络算法,毕竟其自身的构造特点就是多输入多输出;另一个是对每一个输出变量构造回归模型,有几个输出就有几个回归模型,当然最好都用同一种算法。在自己思考过后,在网上查阅了资料发现,原来处理多输入多输出回归问题,还有其它高效的处理办法。具体操作见文献1,具体操作都以python中的skle原创 2021-01-27 14:53:36 · 23647 阅读 · 9 评论 -
移动平均与滑动平均
**移动平均与滑动平均**对一组数据按照指定的窗口长度求平均,就是移动平均。之后,对移动平均再求平均即为滑动平均。滑动平均一般在气象数据统计时使用。参考:https://zhidao.baidu.com/question/78643267.html...原创 2020-07-31 11:15:46 · 3069 阅读 · 1 评论 -
关于机器学习算法超参数调优
该篇博文就机器学习算法超参数调优的方法做出了归纳、总结,很全面,值得学习。https://zhuanlan.zhihu.com/p/98474222原创 2020-04-26 16:26:54 · 316 阅读 · 0 评论 -
机器学习基础知识精讲
1、超参数在机器学习的上下文中,超参数是在开始学习过程之前设置值的参数,而不是通过训练得到的参数数据。通常情况下,需要对超参数进行优化,给学习机选择一组最优超参数,以提高学习的性能和效果。超参数的一些示例:a 树的数量或树的深度b 矩阵分解中潜在因素的数量c 学习率(多种模式)d 深层神经网络隐藏层数e k均值聚类中的簇数参考文献:https://baike.baidu.com...原创 2019-08-07 17:45:52 · 199 阅读 · 0 评论 -
统计学基础知识精讲
1、回归评价指标MSE、RMSE、MAE、R-Squared的分析可以参阅这里:https://www.jianshu.com/p/9ee85fdad150需要注意其中关于R-squared的计算公式有误,R-squared可以参阅这里:https://www.applysquare.com/topic-cn/SPt2Al6uO/...原创 2019-08-14 10:02:47 · 211 阅读 · 0 评论 -
梯度提升树算法解析
梯度提升树算法解析,见:https://www.jianshu.com/p/0e5ccc88d2cb转载 2019-08-13 17:52:30 · 534 阅读 · 0 评论 -
回归树算法原理
已经有博主详细讲解了,不再赘述。[https://blog.csdn.net/weixin_40604987/article/details/79296427#commentBox]转载 2019-08-13 16:57:41 · 2538 阅读 · 0 评论 -
关于AdaBoost算法计算变量重要度的理解
在看AdaBoost算法在R中的实现函数boosting时,发现该函数可以计算变量重要度(importance),不仅感慨这个函数好强大,不但可以轻松调用AdaBoost这种集成学习算法,还提供了计算变量importance的功能。但是,importance究竟是如何算出来的,这个问题需要理解。在R中查找boosting函数的帮助文档,发现了一篇关于AdaBoost算法的开发资料[1],里面提到...原创 2019-06-26 17:48:43 · 2393 阅读 · 0 评论 -
ARIMA算法解析与Python实现
近来,一个项目需要预测数据,想到了利用ARIMA算法来解决这个问题,遂将最近一段时间关于ARIMA算法的研究内容做以总结。【ARIMA算法介绍】原创 2019-03-30 16:45:52 · 20459 阅读 · 1 评论 -
神经网络浅讲:从神经元到深度学习
本文转载自:https://www.cnblogs.com/subconscious/p/5058741.html#!comments转载 2019-03-24 21:53:59 · 136 阅读 · 0 评论