- 博客(9)
- 收藏
- 关注
RSS订阅原创 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
687
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
157
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
195
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
261
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
132
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
180
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
170
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
159
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
131
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