![](https://img-blog.csdnimg.cn/2019092715111047.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
机器学习
文章平均质量分 68
-
锦鲤柠檬
西西弗斯推石点
展开
-
【深度学习】集成学习笔记
过程具有多模态特性多来源多模态数据融合与集成研究进展多来源多模态数据融合与集成研究进展第一步:把训练集分成10份第二步:基础模型(假设是决策树)在其中9份上拟合,并对第10份进行预测。第三步:对训练集上的每一份如此做一遍。第四步:然后将基础模型(此处是决策树)拟合到整个训练集上。第五步:使用此模型,在测试集上进行预测。第六步:对另一个基本模型(比如knn)重复步骤2到4,产生对训练集和测试集的另一组预测。第七步:训练集预测被用作构建新模型的特征。第八步:该新模型用于对测试预测集(te原创 2022-06-29 17:01:55 · 701 阅读 · 0 评论 -
注意力机制attention笔记
神经网络学习小记录63–Keras 图像处理中注意力机制的代码详解与应用_Bubbliiiing的博客-CSDN博客_keras通道注意力attention介绍_纵雪者的博客-CSDN博客_attention简介注意力机制的核心重点就是让网络关注到它更需要关注的地方。当我们使用卷积神经网络去处理图片的时候,我们会更希望卷积神经网络去注意应该注意的地方,而不是什么都关注,我们不可能手动去调节需要注意的地方,这个时候,如何让卷积神经网络去自适应的注意重要的物体变得极为重要。注意力机制就是实现网络.原创 2022-05-25 11:22:51 · 1384 阅读 · 0 评论 -
机器学习教程:网格搜索法&交叉验证法
机器学习教程:网格搜索法&交叉验证法网格搜索法(Grid SearchCV)概念Python机器学习笔记:Grid SearchCV(网格搜索) - 战争热诚 - 博客园GridSearchCV的名字其实可以拆分为两部分,GridSearch和CV,即网格搜索和交叉验证。这两个名字都非常好理解。网格搜索,搜索的是参数,即在指定的参数范围内,按步长依次调整参数,利用调整的参数训练学习器,从所有的参数中找到在验证集上精度最高的参数,这其实是一个训练和比较的过程。GridSearchCV可以原创 2022-05-25 11:19:16 · 3447 阅读 · 0 评论 -
python中shape[0]与shape[1]
import numpy as npk = np.matrix([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])print(np.shape(k)) # 输出(3,4)表示矩阵为3行4列print(k.shape[0]) # shape[0]输出3,为矩阵的行数print(k.shape[1]) # 同理shape[1]输出列数————————————————版转载 2022-03-03 21:53:56 · 244 阅读 · 0 评论 -
自动编码器部分笔记——《机器学习实战第二版》
使用自动编码器和GAN的表征学习和生成学习引言有效的数据表征使用不完整的线性自动编码器执行PCA堆叠式自动编码器卷积自动编码器循环自动编码器去噪自动编码器稀疏自动编码器变分自动编码器生成对抗网络引言自动编码器与对抗神经网络(GAN)的区别1 自动编码器是一种人工神经网络,不需要任何监督(无标记数据集)即可学习输入数据的密集表征,称为潜在表征/编码。只需学习将其输入复制到输出。但是我们可以利用各种方式约束网络,比如:可以限制潜在表征的大小;向输入添加噪声并训练网络来恢复原始输入。这些限制使得自动编码器原创 2022-02-21 20:21:25 · 1373 阅读 · 0 评论 -
Python sklearn中的.fit与.predict的用法说明
Python sklearn中的.fit与.predict的用法说明.fit:用训练器数据拟合分类器模型.predict:给新数据数据对其预测.predict_proba:它返回的预测值为获得所有结果的概率。(有多少个分类结果,每行就有多少个概率,对每个结果都有一个概率值,如0、1两分类就有两个概率)...原创 2022-02-21 18:21:01 · 2480 阅读 · 0 评论