OOC_ZC的博客

本文由LeftNotEasy所有，发布于http://leftnoteasy.cnblogs.com。如果转载，请注明出处，在未经作者同意下将本文用于商业用途，将追究其法律责任。前言:上次写过一篇关于贝叶斯概率论的数学，最近时间比较紧，coding的任务比较重，不过还是抽空看了一些机器学习的书和视频，其中很推荐两个：一个是 stanford的machine learning公开课，在verycd可下

这些都是评价分类器性能的指标。二分类问题为例： 图片来自网络Accuracy(准确率)： (TP + TN) / (TP + TN + FN + FP)准确率指标的问题在于如果问题为偏斜类(Skewed classes)，比如真实值中正反比例为 99:1，那预测值无脑预测均为正值，准确率就可达99%，而反例则一个也预测不出来，显然是不可理的。由此有了Precision(精确率...

当对离散数据进行拟合预测时，往往要对特征进行onehot处理，但onehot是高度稀疏的向量，如果使用List或其他常规的存储方式，对内存占用极大。 这时稀疏矩阵类型 coo_matrix / csr_matrix 就派上用场了！这两种稀疏矩阵类型csr_matrix存储密度更大，但不易手工构建。coo_matrix存储密度相对小，但易于手工构建，常用方法为先手工构建coo_matrix，如...

当使用LableEncoder对数据进行编码时，先fit数据，在transform时如果遇到fit时没有遇过的数据，程序会抛出ValueError异常。 这里相对fit时没遇过的数据统一编码为一个值。我的解决：x_train = LabelEncoder_list[i].fit_transform(dfTrain[feat].values) # fit并编号one-hottry: ...

使用OneHotEncoder时遇到问题： 然后谷歌了一会，说Python可能是32bit的，然后查自己是64bit…没问题。 后来发现是用法不对，在使用fit时enc.fit([[23423, 1], [4534, 1], [4356, 1]])此处去fit的变量不能是String，同时也不能大于int的最大值，而我的数据很长 则需要先处理成int内的数值，再去fit成...

Github地址： https://github.com/OOCZC/Coursera-DeepLearning

Github地址： https://github.com/OOCZC/Coursera-DeepLearning

A graphical overview of basic areas of machine learning, and guidance which kind of algorithms to use in a given situation.

我们以最简单的一元线性模型来解释最小二乘法。什么是一元线性模型呢？ 监督学习中，如果预测的变量是离散的，我们称其为分类（如决策树，支持向量机等），如果预测的变量是连续的，我们称其为回归。回归分析中，如果只包括一个自变量和一个因变量，且二者的关系可用一条直线近似表示，这种回归分析称为一元线性回归分析。如果回归分析中包括两个或两个以上的自变量，且因变量和自变量之间是线性关系，则称为多元线性回归分析。对于

Coursera Deep Learning 课程中直接给出了两层神经网络的dz值，而未予证明，这里进行简单证明。这里输出层的激活函数为sigmoid函数。