吃瓜-学习记录01

最新推荐文章于 2024-09-14 21:53:48 发布
最新推荐文章于 2024-09-14 21:53:48 发布
阅读量110 收藏
点赞数
文章标签： 学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_23120021/article/details/127659407
版权

概览西瓜书第一章：理解清楚啊基本术语、整体流程

 

 

 

 西瓜书：第二章。

1.泛化误差与经验误差，过拟合与欠拟合，模型选择的三个关键问题

评估方法：留出法、交叉验证法、自助法

性能度量：错误率与精度，查准率与查全率，F1度量

比较检验：交叉验证与McNemar;Friedman与Nemenyi

♡坚持の到底
关注
吃瓜笔记---机器学习简介
deeplearningcc的博客
10-11 120
西瓜书阅读简记
机器学习-西瓜书笔记汇总1
08-03
1绪论傍晚小街路面上沁出微雨后的湿润，和熙的细风吹来，抬头看看天边的晚霞，嗯，明天又是一个好天气。走到水果摊旁，挑了个根蒂蜷缩、敲起来声音浊响的青绿西瓜，一边满
吃瓜-学习记录02
qq_23120021的博客
11-19 145
线性回归：多元线性回归：广义线性模型：对率回归：类别不平衡：
吃瓜学习笔记 - 支持向量机
xiaoyilisa的博客
12-27 528
落在带子上的样本不计算损失(类比线性回归在线上的点预测误差为 0)，不在带子上的则以偏离带 子的距离作为损失(类比线性回归的均方误差)，然后以最小化损失的方式迫使间隔带从样本最密集的地 方穿过，进而达到拟合训练样本的目的。由于约束条件 μ ⪰ 0 是凸集，且根据对偶函数的性质(a)可知 Γ(μ, λ) 恒为凹函数，其加个负号即为凸函数，所以无论主问题是否为凸优化问题， 对偶问题恒为凸优化问题。由此可以看出，当主问题较难求解时，如 果强对偶性成立，则可以通过求解对偶问题来间接求解主问题。
吃瓜学习笔记 - 决策树
xiaoyilisa的博客
12-21 1692
若样本x在划分属性a上的取值已知，则将x划入与其取值对应的子结点，且样本权值在子结点中保持为w(x)。若样本x在划分属性a上的取值未知，则将x同时划入所有子结点，且样本权重在于属性值a(v)对应的子结点中调整为。从训练集生成一棵完整的决策树，然后自底向上对非叶结点进行考察，若将该结点对应的子树替换为叶节点能带来决策树泛化性能的提升，则将该子树替换为叶节点。是在决策树生成过程中，对每个节点在划分前先进行评估，若当前节点的划分不能顾戴路决策树泛化性能的提升，则停止划分并将当前节点标记为叶节点。
吃瓜学习笔记 - 神经网络
xiaoyilisa的博客
12-25 922
神经元接收到来自n个其他神经元传递过来的输入信号，这些输入信号通过带权重的连接进行传递，神经元接收到的总输入值将于神经元的阈值(下图的θ)进行比较，然后通过“激活函数”（下图的f(·)，模拟“抑制"或者“激活”）处理以产生神经元的输出。由于感知机这种单个神经元的分类能力有限，只能分类线性可分的数据集，对于线性不可分的数据集则无能为力，比如“异或”问题。如果没有误分类，损失函数为0，而且误分类点越少，误分类点离超平面越近，损失函数值就越小。因此，神经网络既能做回归，也能做分类，而且不需要复杂的特征工程。
吃瓜学习笔记 - 线性模型
xiaoyilisa的博客
12-17 839
梯度：一元函数的一阶导叫导数，多元函数的一阶导叫梯度。（求出各个分量Xi的偏导数，然后组成向量）(中心极限定理：若一个随机变量是很多个独立的随机变量之和，那这个随机变量就符合正态分布)，本质上是一个多元函数求最值的问题，更具体点是凸函数求最值的问题。b. 用凸函数求最值的思路求w和b。的海塞矩阵在D上是半正定的，则。西瓜书：周志华老师的《机器学习》note: 这里的x是已知量。海塞矩阵：多元函数的二阶导数。给定由d个属性描述的示例。是全局解的充分必要条件是。是关于w和b的凸函数。的海塞矩阵是半正定的。
8月吃瓜教程—task01-学习笔记
Hugo_Knight的博客
08-17 212
第一章绪论的学习积累已经在之前写出。 链接：第一章绪论学习 补充一点内容： 一、没有免费的午餐定理 任何算法抛开实际问题来比较算法的优略性是无意义的。 通常我们只认为能高度拟合已有样本数据的函数才是真实目标函数 第二章 模型评估与选择 一、经验误差与过拟合 ①通常我们把分类错误的样本数占样本总数的比例称为“错误率”(error rate)，即如果在m个样本中有α个样本分类错误,则错误率E= a/m;相应的,1 - a/m称为“精度”(accuracy)，即“精度= 1-错误率”．更一般地,我们把学习器的
吃瓜笔记01：【西瓜书+南瓜书】1-2章
热门推荐
WH_Z0v0的博客
07-22 2万+
“机器学习是让计算机像人类一样学习和行动的科学，通过以观察和现实世界互动的形式向他们提供数据和信息，以自主的方式改善他们的学习。” 机器学习的三要素：数据、算法、模型 机器学习研究的是从数据中通过选取合适的算法，自动的归纳逻辑或规则，并根据这个归纳的结果(模型)与新数据来进行预测。
DataWhale-吃瓜教程学习笔记（四）
hello！
06-28 1040
二分类线性判别分析
《机器学习-周志华》学习笔记
10-17
为了训练一个真正有效、优化的模型，需要学习一下机器学习的理论知识。周志华的教材非常经典，但概念较多，特别是前两章，在学习中作了笔记，现分享出来，希望能有帮助。
万圣节南瓜-少儿编程scratch项目源代码文件案例素材.zip
11-09
6. **数据与变量**：变量是存储信息的地方，可以用来记录分数、状态等。例如，可以设置一个变量来追踪南瓜被点击的次数。 7. **声音与交互**：Scratch允许添加声音效果，增强游戏体验。同时，孩子们可以通过添加...
【DW组队学习—吃瓜教程】task2：概览西瓜书+南瓜书第3章
07-19
压缩包中的图片文件名为“吃瓜笔记-XX.jpg”，暗示它们可能是学习过程中所记录的笔记截图，包含了关键概念、公式或代码示例。这些图片可能涵盖了书中讲解的各个重要点，例如决策树的构建过程、特征选择的方法、模型...
shader 案例学习笔记之将坐标系分成4个象限
localhost
09-13 217
坐标系被分成了4个单元格，每个单元格都有唯一的索引，后续就可以根据索引去渲染。
UEFI学习笔记（五）：EDK II PCD的概念、类型、使用
qq_44189622的博客
09-11 852
如果在BIOS里面有一些模块是binary方式集成进来的而这些binary又需要用到PCD（用于Binary Release），那么这些Binary集成的要用到的PCD就必须要设置为。PCD的值存在memory里面，下次启动时，上次更改的值丢失了，每次启动都是从default值开始。是存在VPD空间的（在FLASH上，只读），一般是出厂配置。如果platform是从源码build出来的，没有binary在里面的时候，PCD用的都是。作用域在一个模块中（模块级的），可以在Binary Level进行修改。
计算几何学习
网安小白
09-12 452
学习计算几何过程中对经典算法的记录
看Threejs好玩示例，学习创新与技术(二)
最新发布
htsitr2的专栏
09-14 489
它的主要特点是确保生成的点之间保持一定的最小距离，从而避免点的聚集。这种方法在计算机图形学、游戏开发、物理模拟等领域中非常有用，尤其是在需要生成自然分布的对象（如树木、石头等）时。如果不进行裁剪，那么效果如下（初步的锯齿感是因为矩形内采样的结果）。为啥这么复杂呢，为啥不开始存储每个方块的UV呢？下面代码的vTexCoords（=savedModelMatrix，已修改）记录方块所在的位置，vWorldPosition表示方块中像素的偏移。在上面那副图中，聪明的你一定初步猜到了每个方块的纹理是怎么得到的。
Spring Framework 学习总结博客
2302_80084329的博客
09-13 1020
通过本文的学习，我们从Spring的核心架构入手，逐步理解了IoC和DI的概念，并通过代码示例掌握了如何在实际项目中使用这些技术。Spring通过IoC容器管理bean，依赖注入将bean之间的关系解耦，大大简化了复杂系统的开发过程。这些基本的Spring知识是理解其高级特性（如AOP、事务管理）的基础，掌握这些概念后，我们可以更加自如地使用Spring构建复杂的企业级应用。
机器学习基础：概念、范式与算法解析
"这是关于机器学习基础的一份笔记，涵盖了机器学习的概念、学习范式（有监督、无监督、强化学习）以及算法与模型的解析。" 机器学习是现代信息技术领域中的一个重要分支，它旨在使计算机系统能够从数据中学习规律，...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值