- 博客(9)
- 收藏
- 关注
原创 tf.metrics.accuracy()与tf.reduce_mean(tf.cast(tf.argmax(z, 1), tf.argmax(y, 1)), tf.float32)
今天发现在两个计算精确率准确率的玩意儿对不上,满脑子懵了……感谢这位博主写的文章:tf.metrics.accuracy计算的是正确率吗 所以说【tf.reduce_mean(tf.cast(tf.argmax(z, 1), tf.argmax(y, 1)), tf.float32)】计算的是本batch正确率:correct_prediction = tf.equal(tf.argmax(...
2019-04-04 17:00:20
699
原创 Tensorflow API Cross Entropy and Softmax
关于tf.nn.softmax_cross_entropy_with_logits()/tf.losses.softmax_cross_entropy()/tf.losses.softmax_cross_entropy()区别和联系:logit_list = np.array([[1, 2, 3], [5, 6, 4], ...
2019-04-04 16:26:40
163
原创 ML in Action - Linear Regression
之前的几章都是监督学习中的分类方法,分类的目标变量是标称型数据,现在开始学习回归方法,对连续型数据作出预测。Linear Regression:优点:计算不复杂缺点:对非线性的数据拟合不好适用于数值型和标称型数据 回归的目的是预测数值型的目标值。参考链接:从零开始学Python【24】--岭回归及LASSO回归(理论部分机器学习总结(一):线性回归、岭回归、La...
2019-02-17 17:01:25
205
原创 ML in Action - AdaBoost
根据书上所说,AdaBoost是最流行的元算法。元算法是对其他算法进行组合的一种方式。在这本书中,我们在前面学到了5种分类算法,现在让我们把不同分类器组合起来,这种组合结果称为集成方法(ensemble method—)或者元算法(meta-algorithm)。使用集成方法时有很多种形式,可以是不同算法的集成,也可以是同一算法在不同设置下的集成。,还可以是数据集的不同部分分配给不同分类器之后...
2019-02-12 20:50:57
268
原创 ML in Action Note - Day 4/5/6/7 - SVM 未完成
研究了几天的SVM,发现实战书上的内容不详尽,于是把统计学习方法结合网上的一些博客了解了不少,确实这一章的公式推导有点吃力,不过每次在算出来后,那种畅快也是真的很让人愉快和兴奋的,抑制不住的兴奋,想要学习更多,只懊恼自己这么晚才转行,学习和理解的速度太慢。去年末学习python和python框架,上个月末才决心来学机器学习,发现机器学习中那么多有意思的东西,统计学和数学是真的很有趣啊。但是对于...
2019-02-09 11:13:57
135
原创 ML in Action Note - Day 3/4 - Logistics Regression
嘻嘻嘻,终于到这一章~自动去找到拟合参数简直太棒了好嘛> w <Logistics Regression:包括Gradient Regression和Stochastic Regression。优点:计算代价不高缺点:容易欠拟合,分类精度可能不高适用于数值型和标称型 在这里,我们需要的函数是,接受所有的输入然后预测出类别。例如,在两个分类情况,输出0或1,这...
2019-02-06 13:21:15
183
原创 ML in Action Note - Day 3 - Naive Bayes
第4章:Naive BayesNaive Bayes:监督学习。通过计算概率进行分类。优点:数据量小的情况下仍然有效,可以处理多类别问题。缺点:对于输入数据的准备数据比较敏感。适用于标称型数据。 公式:如果把w展开为独立特征,就成了,假设每个特征都相互独立,用来计算概率。P1:计算文本分类概率# 创建数据集def loadDataSet(): pos...
2019-02-05 15:10:59
179
原创 ML in Action Note - Day 2 - Decision Tree
第3章:Decision Tree决策树:根据不同特征建立分支优点:计算复杂度不高,输出结果容易理解,对中间值的缺失不敏感,可以处理不相关特征数据。缺点:可能会产生overfitting。 P1:划分数据集,创建决策树信息增益:划分数据集前后信息发生的变化称为信息增益。熵entropy:集合信息的度量方式就称为熵。熵定义为信息的期望值。如果袋分类的事务可能划分在多个...
2019-02-04 16:55:28
165
原创 ML in Action Note - Day 1 - kNN
第1章:略过第2章:kNNkNN(k-NearestNeighbor)属于监督学习,是分类数据最简单有效的算法,需要实际数据来训练样本数据,为基于实例的学习。如果训练数据集很大,那么计算会很耗时。通过改变k的值,修改训练样本,改变样本的数目,会对错误率产生影响。主要思想:根据欧式距离计算分析最近距离的K个点的类型优点:精度高,对异常值不敏感,无数据输入假定。缺点:计算复杂度高,...
2019-02-03 20:45:41
137
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