- 博客(46)
- 收藏
- 关注
RSS订阅原创 为什么L1正则化导致稀疏解
一、从数据先验的角度首先你要知道L1范式和L2范式是怎么来的,然后是为什么要把L1或者L2正则项加到代价函数中去.L1,L2范式来自于对数据的先验知识.如果你认为,你现有的数据来自于高斯分布,那么就应该在代价函数中加入数据先验P(x),一般由于推导和计算方便会加入对数似然,也就是log(P(x)),然后再去优化,这样最终的结果是,由于你的模型参数考虑了数据先验,模型效果当然就更好.哦对了,如果你...
2018-09-25 20:13:41
12059
18
原创 硬币问题
/*动态规划 需要拼凑的面额是n， 维护dp[i],表示取到i时的组合数目，dp[0]=1， 面额数组a[6]={1,5,10,20,50,100}， dp[j]=dp[j]+dp[j-a[i]],约数条件j>a[i]。 因为面额数目任意，所以需要分别处理只有面额1时， 组合钱数为1~n的各自组合数dp[1]~dp[n], 然后有面额...
2018-09-25 10:09:57
337
转载 特征选择方法
转载自：https://blog.csdn.net/muyimo/article/details/79300596 链接：https://www.zhihu.com/question/29316149/answer/110159647 特征工程到底是什么？ - 城东的回答 目录 1 特征工程是什么？ 2 数据预处理 2.1 无量纲化 2.1.1 标准化 2.1....
2018-09-05 18:47:07
4775
转载 深度学习激活函数优缺点分析
转自：https://blog.csdn.net/not_guy/article/details/78749509 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...
2018-09-02 15:40:46
988
原创 删除一部分数字，保留下来的数最大
题目分析： 每次删除1个数字，使得剩下数字组成的整数最大。 从前往后遍历，当遇到前一个数字小于后一个数字时，就将前一个数字删掉，并结束本次遍历，例如，325，2比5小，删除2。 去掉cnt个数字，因此循环cnt次。 由于题目中整数长度最大为50000，因此不用int，用string。代码如下：#include<stdlib.h>#include<stdio....
2018-08-29 10:53:56
1983
转载 const int *a与int *const a，const int *const a的区别
转自： http://blog.csdn.net/zhangheng837964767/article/details/33783511关键问题点：const 属于修饰符 ，关键是看const 修饰的位置在那里 1、const int *a 这里const 修饰的是int，而int定义的是一个整值 因此*a 所指向的对象 值 不能通过 *a 来修改，但是 可以重新给 a 来赋值，使其指向...
2018-08-24 16:04:29
604
原创 扔鸡蛋-动态规划
题目： 2个鸡蛋，从100层楼上往下扔，以此来测试鸡蛋的硬度，比如鸡蛋在第9层没有摔碎而在第10层摔碎了，那么鸡蛋不会摔碎的零界点就是9层，如何用最少的尝试次数，测试出鸡蛋不会摔碎的临界点？（如果3个鸡蛋呢，如果m个鸡蛋呢）题目分析：用动态规划，最重要找到状态转移方程，就是写出母问题和子问题之间的关系！比如扔鸡蛋这个问题，你扔碎了，就转化成了往楼上找的子问题；你扔了没碎，那就转化成了往楼下找...
2018-08-23 19:45:54
357
1
转载 为什么梯度的负方向是局部下降最快的方向
转自：https://blog.csdn.net/UFv59to8/article/details/79227253 ...
2018-08-23 13:56:42
464
原创 对于BN层的理解
1、BN层为什么可以防止梯度消失Batchnorm是深度学习发展以来提出的最重要的成果之一了，目前已经被广泛的应用到了各大网络中，具有加速网络收敛速度，提升训练稳定性的效果，Batchnorm本质上是解决反向传播过程中的梯度问题。batchnorm全名是batch normalization，简称BN，即批规范化，通过规范化操作将输出信号x规范化保证网络的稳定性。 具体的batchnorm...
2018-08-22 20:01:31
13314
原创 数据预处理方法
原文：https://blog.csdn.net/Anne999/article/details/69261592?locationNum=3&fps=1数据预处理有四个任务，数据清洗、数据集成、数据 变换和数据规约。一、数据清洗1.缺失值处理 处理缺失值分为三类：删除记录、数据补差和不处理。 数据补插方法： 1. 补插均值/中位数/众数 2. 使用固定值 ...
2018-08-22 16:42:02
8298
原创 袋鼠过河
题目使用动态规划解法，定义dp[i]为跳到第i个木桩所需要的最小步数，但题中有几个坑，首先，i的范围为0~n，且初始位置为第一个弹簧，即dp[0]=0，且输出的解为dp[n+1]位置的步数，因为过完这些木桩才算完成。且dp数组必须先初始化为n+1个很大的数，不初始化的话，min函数则失去了作用，dp[i]一开始存的若是一个很小的数，则数组不会进行更新。代码如下：#include&lt;...
2018-08-20 17:32:52
595
转载 GBDT与XGBOOST、RF
一．GBDT有哪些参数,如何确定树的深度，学习率怎样确定。 答：本题答案引自http://www.07net01.com/2016/12/1742073.html 在sk-learn中，GradientBoostingClassifier为GBDT的分类类，GradientBoostingRegressor为GBDT的回归类，两者的参数类型相同，我们把参数分为两类，第一类是Boosti...
2018-08-19 17:24:11
841
原创 网易数列还原
题目分析：首先数列长度为n,且为1~n中不重复的数字，也就意味着每个数字必须出现且只出现一次。首先，记录下输入中已经出现过的数字，再找出还未出现的数字，通过对未出现的数字进行全排列，再插入到原数组中，将原数组中的0替代掉，然后对替代后的数组进行判断，暴力计算合格排列为K的数列个数。代码如下#include &amp;lt;iostream&amp;gt;#include &amp;lt;algorithm&amp;g...
2018-08-14 17:07:39
659
转载 LSTM原理及实现
转自：https://blog.csdn.net/gzj_1101/article/details/79376798 LSTM原理及实现 ...
2018-08-01 16:18:43
10165
转载 中文分词原理及分词工具介绍
转自：https://blog.csdn.net/flysky1991/article/details/73948971本文首先介绍下中文分词的基本原理，然后介绍下国内比较流行的中文分词工具，如jieba、SnowNLP、THULAC、NLPIR，上述分词工具都已经在github上开源，后续也会附上github链接，以供参考。1.中文分词原理介绍1.1 中文分词概述中文分词(Chi...
2018-07-31 11:00:37
29926
2
转载 LR（逻辑回归） 为什么使用sigmoid函数
上图为sigmoid函数的形式 选择sigmoid 的原因想从两方面来说： 1、 Sigmoid 函数自身的性质sigmoid 函数连续，单调递增sigmiod 函数关于（0，0.5） 中心对称对sigmoid函数求导 计算sigmoid函数的导数非常的快速 即sigmoid是伯努利分布的指数族形式...
2018-07-30 20:54:59
4576
转载 RF、GBDT、XGBoost面试级整理
转自：https://blog.csdn.net/qq_28031525/article/details/70207918 RF、GBDT和XGBoost都属于集成学习（Ensemble Learning），集成学习的目的是通过结合多个基学习器的预测结果来改善单个学习器的泛化能力和鲁棒性。 根据个体学习器的生成方式，目前的集成学习方法大致分为两大类：即个体学习器之间存在强依赖关...
2018-07-30 16:00:36
409
转载 深度学习: 卷积核（滤波器）为什么都是奇数
卷积核一般都把size设为奇数，主要有以下两个原因：1.保证锚点（卷积核的中心）刚好在中间，方便以模块中心为标准进行滑动卷积。2.保证了padding时，图像的两边依然相对称...
2018-07-30 14:56:39
3171
转载 决策树、SVM、AdaBoost方法的比较
决策树模型在真实世界中也应用场景在金融方面使用决策树建模分析，用于评估用户的信用、贷款违约率等；在电子商务中，可以根据用户的以往的交易种类、时间、价格建立商品推荐体统等。引用连接： 信贷方面的应用 电商推荐系统 这个模型的优势是什么？ 决策树易于实现和理解；对于决策树，数据的准备工作一般比较简单；能够同时处理多种数据类型给定一个决策树模型，可以根据产生的决策树推出相应的...
2018-07-26 15:28:34
3577
转载 机器学习性能评估指标（精确率、召回率、ROC、AUC）
实际上非常简单，精确率是针对我们预测结果而言的，它表示的是预测为正的样本中有多少是对的。那么预测为正就有两种可能了，一种就是把正类预测为正类(TP)，另一种就是把负类预测为正类(FP)。 P = TP/(TP+FP)而召回率是针对我们原来的样本而言的，它表示的是样本中的正例有多少被预测正确了。那也有两种可能，一种是把原来的正类预测成正类(TP)，另一种就是把原来的正类预测为负类(FN)。 ...
2018-07-18 15:44:17
586
转载 数据清洗之缺失值处理
转自： https://blog.csdn.net/s2638358892/article/details/77529008?locationNum=2&fps=1 本文参考了多篇CSDN、知乎以及百度的文章，如果侵犯了您的权益，请及时联系，这是自己写的第一篇博客，有很多不足之处，请原谅。文章将常见的自己能理解的一些缺失值的处理方法以及方法的优缺点做了简单介绍。其中，多...
2018-07-15 15:50:33
7581
转载 决策树问题总结
转自：https://www.jianshu.com/p/fb97b21aeb1d 深入理解决策树 面试问题1：什么是决策树？ 答：决策树是一种分类和回归的基本模型，可从三个角度来理解它，即：一棵树if-then规则的集合，该集合是决策树上的所有从根节点到叶节点的路径的集合定义在特征空间与类空间上的条件概率分布，决策树实际上是将特征空间划分成了互不相交的单元，每个从根到叶的路径对应...
2018-07-14 16:12:02
6268
转载 数据归一化
&nbsp; &nbsp; 机器学习模型被互联网行业广泛应用，如排序（参见：排序学习实践）、推荐、反作弊、定位（参见：基于朴素贝叶斯的定位算法）等。一般做机器学习应用的时候大部分时间是花费在特征处理上，其中很关键的一步就是对特征数据进行归一化，为什么要归一化呢？很多同学并未搞清楚，维基百科给出的解释：1）归一化后加快了梯度下降求最优解的速度；2）归一化有可能提高精度。下面我简单扩展解释下这两点。...
2018-07-13 20:58:29
360
原创 主成分分析PCA
降维的必要性1.多重共线性–预测变量之间相互关联。多重共线性会导致解空间的不稳定，从而可能导致结果的不连贯。2.高维空间本身具有稀疏性。一维正态分布有68%的值落于正负标准差之间，而在十维空间上只有0.02%。3.过多的变量会妨碍查找规律的建立。4.仅在变量层面上分析可能会忽略变量之间的潜在联系。例如几个预测变量可能落入仅反映数据某一方面特征的一个组内。降维的目的：1....
2018-07-12 11:41:06
341
原创 GBDT+LR
GBDT和LR的融合在广告点击率预估中算是发展比较早的算法，原理是通过GBDT组合的特征作为LR的输入 特征组合的介绍见上一篇博客：https://blog.csdn.net/qq_26598445/article/details/809987601、背景目前工业界中用的较多的是LR，LR是广义线性模型，与传统线性模型相比，LR使用了Logit变换将函数值映射到0~1区间，最后输出是一个...
2018-07-11 12:49:01
2181
原创 特征选择与特征组合
转自：https://segmentfault.com/a/1190000014799038 特征组合也叫特征交叉合成特征 (synthetic feature)和特征组合(Feature Crosses)不太一样，特征交叉是特征组合的一个子集。合成特征 (synthetic feature)一种特征，不在输入特征之列，而是从一个或多个输入特征衍生而来。通过标准化或缩放单独创建的特征...
2018-07-11 12:32:42
17387
原创 偏差和方差
转自：https://blog.csdn.net/witnessai1/article/details/52745311 参考一：在A Few Useful Thingsto Know about Machine Learning中提到，可以将泛化误差（gener-alization error）分解成bias和variance理解。&amp;nbsp;Bias: a learner’s ...
2018-07-09 16:23:56
268
原创 机器学习笔试题目
关于Logistic回归和SVM，以下说法错误的是？A. Logistic回归可用于预测事件发生概率的大小 B. Logistic回归的目标函数是最小化后验概率 C. SVM的目标的结构风险最小化 D. SVM可以有效避免模型过拟合 答案：B，Logit回归本质上是一种根据样本对权值进行极大似然估计的方法，而后验概率正比于先验概率和似然函数的乘积。logit仅仅是最大化似然函数，并没...
2018-07-09 16:22:43
52677
8
原创 2018 年大疆机器学习算法工程师春季提前批笔试题
一、单项选择题SVM 分类和深度学习分类 B. SVM 只能应用于线性分类 &amp;amp;amp;nbsp; &amp;amp;amp;nbsp; 错误，SVM 可以应用于线性分类和非线性分类问题，取决于核函数的选取C. SVM 是凸问题，深度学习都是非凸问题 &amp;amp;amp;nbsp; &amp;amp;amp;nbsp; 正确，深度学习算法的目标函数，几乎全都是非凸的。L1 和 L2 正则化区别
2018-07-06 14:56:01
1455
原创 EM算法
EM算法（Expectation Maximization Algorithm）是一种迭代算法，它是解决含隐变量（latent variable）情况下的参数估计问题，而求模型的参数时一般采用最大似然估计，由于含有了隐含变量，所以对似然函数参数求导是求不出来的，虽然通过梯度下降等优化方法也可以求解，但如果隐变量个数太多，将会带来指数级的运算。 EM算法是一种迭代优化策略，由于它的计算方法中每...
2018-07-05 16:49:19
1498
转载 鞍点 Hessian矩阵
转https://blog.csdn.net/baidu_27643275/article/details/79250537 长期以来，人们普遍认为，神经网络优化问题困难是因为较大的神经网络中包含很多局部极小值（local minima），使得算法容易陷入到其中某些点。到2014年，一篇论文《Identifying and attacking the saddle point problem...
2018-07-04 11:56:41
11244
1
转载 详解机器学习中的梯度消失、爆炸原因及其解决方法
转载自： https://blog.csdn.net/qq_25737169/article/details/78847691本文主要深入介绍深度学习中的梯度消失和梯度爆炸的问题以及解决方案。本文分为三部分，第一部分主要直观的介绍深度学习中为什么使用梯度更新，第二部分主要介绍深度学习中梯度消失及爆炸的原因，第三部分对提出梯度消失及爆炸的解决方案。有基础的同鞋可以跳着阅读。 其中，梯度消失爆炸...
2018-07-03 20:16:21
220
转载 如何处理训练样本不均衡的问题
转：https://blog.csdn.net/tingfeng96/article/details/72854874 如何处理训练样本不均衡的问题 原文：https://www.quora.com/In-classificati...
2018-07-03 20:03:27
2408
原创 机器学习算法优缺点总结
一、最近邻算法（KNN）概述 KNN将测试集的数据特征与训练集的数据进行特征比较，然后算法提取样本集中特征最近邻数据的分类标签，即KNN算法采用测量不同特征值之间的距离的方法进行分类。KNN的思路很简单，就是计算测试数据与类别中心的距离。KNN具有精度高、对异常值不敏感、无数据输入假定、简单有效的特点，但其缺点也很明显，计算复杂度太高。要分类一个数据，却要计算所有数据，这在大数据的...
2018-06-30 15:16:40
14725
原创 随机森林算法
转载自https://blog.csdn.net/qq547276542/article/details/78304454 最近在做kaggle的时候，发现随机森林这个算法在分类问题上效果十分的好，大多数情况下效果远要比svm，log回归，knn等算法效果好。因此想琢磨琢磨这个算法的原理。要学随机森林，首先先简单介绍一下集成学习方法和决策树算法。下文仅对该两种方法做简单介绍（具体学习推荐看...
2018-06-29 16:06:33
2430
原创 GBDT 详解
参考资料及博客： 李航《统计学习方法》 Gradient Boosting wiki GBDT理解二三事 GBDT（MART） 迭代决策树入门教程 | 简介转载自： https://blog.csdn.net/sb19931201/article/details/52506157 前言 For Xgboost:在前几篇笔记...
2018-06-29 11:01:01
8956
2
转载 Adaboost 算法的原理与推导
转载自 ：https://blog.csdn.net/v_july_v/article/details/407187990 引言&amp;nbsp; &amp;nbsp; 一直想写Adaboost来着，但迟迟未能动笔。其算法思想虽然简单：听取多人意见，最后综合决策，但一般书上对其算法的流程描述实在是过...
2018-06-27 16:22:27
240
原创 决策树算法（下）
内容转载自 https://blog.csdn.net/herosofearth/article/details/52425952前言上篇博文已经介绍了ID3、C4.5生成决策树的算法。由于上文使用的测试数据以及建立的模型都比较简单，所以其泛化能力很好。但是，当训练数据量很大的时候，建立的决策树模型往往非常复杂，树的深度很大。此时虽然对训练数据拟合得很好，但是其泛化能力即预测新数据的能...
2018-06-26 16:45:37
518
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