- 博客(6)
- 资源 (3)
- 收藏
- 关注
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