NOT_GUY的博客

深度学习中遇到的bug

paper—《Bag of Tricks for Image Classification with Convolutional Neural Networks》中提到“Using large batch size, however, may slow down the training progress. For convex problems, convergence rate decreases as batch size increases. Similar empirical results

本文讲一下利用tornado框架简单部署lightgbm模型服务的demo，具体步骤如下：首先，准备好线下训练好的lightgbm模型文件，本文使用iris数据集训练得到。然后，部署代码deploy.py如下：import tornado.ioloopimport tornado.webimport jsonimport joblibimport numpy as npclass MainHandler(tornado.web.RequestHandler): def g

类别型特征编码由于是字符串类型，所以一般需要经过编码处理转换成数值型。本文主要想说的是直接将字符串值传到lightgbm中训练。注意：xgboost模型也需要提前one-hot编码转换才能入模。下面是代码： a = [i for i in range(1000)] b = ["tag","bga","efd","rfh","esg","tyh"] c = [b[randint(0,5)] for i in range(1000)] d = [randint(0,1)

亲测跑通环境： Python 3.6.5 Pyspark：2.4.5 Spark: 2.4.3步骤： 第一步：配置好环境 第二步：下载相关文件（下载地址） xgboost4j-0.72.jar xgboost4j-spark-0.72.jar Sparkxgb.zip 第三步：关键点1：将xgboost4j-0.72.jar和Xgboost4j-spark-0.72.jar添加到job中（使用--ja...

1、sklearn.model_selection.cross_val_score(estimator,X,y=None,groups=None,scoring=None,cv=None,n_jobs=None,verbose=0,fit_params=None,pre_dispatch='2*n_jobs',error_score=nan)（1）cv参数定义交叉验证方式：...

算法调参参考：XGBoosthttps://blog.csdn.net/han_xiaoyang/article/details/52665396GBMhttps://blog.csdn.net/han_xiaoyang/article/details/526631700、网格搜索sklearn.model_selection.GridSearchCV...

转载：http://www.cnblogs.com/chenyaling/p/7826229.html 1。监督学习1.1。广义线性模型1.1.1。普通最小二乘法 class sklearn.linear_model.LinearRegression(fit_intercept=True, normalize=False, copy_X=True, n_jobs=1)1.1.1.1...

在深度学习中，信号从一个神经元传入到下一层神经元之前是通过线性叠加来计算的，而进入下一层神经元需要经过非线性的激活函数，继续往下传递，如此循环下去。由于这些非线性函数的反复叠加，才使得神经网络有足够的capacity来抓取复杂的特征。为什么要使用非线性激活函数？答：如果不使用激活函数，这种情况下每一层输出都是上一层输入的线性函数。无论神经网络有多少层，输出都是输入的线性函数，这样就和只有一

1、回归模型：重点关注xgboost 注：Introduction to Statistical Learning的2-7章2、分类模型：《统计学习方法》3、神经网络：(a)普通的ANN                  (b)处理图像的CNN                (c)处理文字和语音的RNN(LSTM)注：可以参考《深度学习》的6-10章和吴恩达的DeepLearnin

【机器学习算法系列之二】浅析Logistic Regression 发表于 2016-01-09 |  分类于 project experience |  |  12573本文是受rickjin老师的启发，谈谈关于logistic regression的一些内容，虽然已经有珠玉在前，但还是做一下自己的总结。在查找资料的过程中，越看越觉得lr实在是博大精深，囊括的内容太多太多了，本文