- 博客(6)
- 资源 (3)
- 收藏
- 关注
RSS订阅转载 正则化方法 （二）
最近在研读西瓜书特征选择与稀疏学习，对于正则化这一内容颇有不解，这篇大作可谓图文并茂，通俗易懂，研读之外转载分享。1. The Problem of Overfitting1还是来看预测房价的这个例子，我们先对该数据做线性回归，也就是左边第一张图。如果这么做，我们可以获得拟合数据的这样一条直线，但是，实际上这并不是一个很好的模型。我们看看这些数据，很明显，随
2017-12-24 10:12:15
479
转载 正则化方法 （一）
1. 正则化的目的：防止过拟合！2. 正则化的本质：约束（限制）要优化的参数。关于第1点，过拟合指的是给定一堆数据，这堆数据带有噪声，利用模型去拟合这堆数据，可能会把噪声数据也给拟合了，这点很致命，一方面会造成模型比较复杂（想想看，本来一次函数能够拟合的数据，现在由于数据带有噪声，导致要用五次函数来拟合，多复杂！），另一方面，模型的泛化性能太差了（本来是一次函数生成的数
2017-12-24 09:08:22
1408
转载 降维——局部线性嵌入(LLE)
局部线性嵌入(LLE)原理总结 局部线性嵌入(Locally Linear Embedding，以下简称LLE)也是非常重要的降维方法。和传统的PCA，LDA等关注样本方差的降维方法相比，LLE关注于降维时保持样本局部的线性特征，由于LLE在降维时保持了样本的局部特征，它广泛的用于图像图像识别，高维数据可视化等领域转载因公式格式问题无法直接复制过来，给出原文链
2017-12-17 14:53:26
643
转载 降维——多维缩放MDS
转载自 http://blog.csdn.net/victoriaw/article/details/78500894多维缩放（Multidimensional Scaling, MDS）是一组对象之间的距离的可视化表示，也可以当做一种无监督降维算法使用。为了直观了解MDS，给一个简单例子。假设现在给定一组城市之间的距离信息如下： 现在要求绘制一幅地图，在地图中标出所有
2017-12-14 23:06:21
769
转载 机器学习 矩阵奇异值分解(SVD)及其应用
矩阵奇异值分解(SVD)及其应用 PCA 主成分分析是降维的常用方法，再网上搜了几篇文章，不少过于学术，读到这篇通俗易懂，转载共学。版权声明： 本文由LeftNotEasy发布于http://leftnoteasy.cnblogs.com, 转载请注明出处，如果有问题，请联系wheeleast@gmail.com。前言： PCA
2017-12-13 22:56:57
1007
转载 linux 常用判断文件/目录命令
注: 转载自 https://www.cnblogs.com/emanlee/p/3583769.html#shell判断文件夹是否存在#如果文件夹不存在，创建文件夹if [ ! -d "/myfolder" ]; then mkdir /myfolderfi#shell判断文件,目录是否存在或者具有权限folder="/var/www/"file="/var/
2017-12-05 09:45:28
1419
IMX290 datasheet
2018-07-10
High Dynamic Range Imaging 2nd Edition 参考HDR MATLAB工具箱及demo
2018-05-25
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人