机器学习
文章平均质量分 50
机器学习算法日记
失败才是人生常态
长风破浪会有时,直挂云帆济沧海!
展开
-
基于Inception v3进行迁移学习训练自己的数据集
一、 什么是InceptionV3Google Inception Net在2014年的 ImageNet Large Scale Visual Recognition Competition (ILSVRC)中取得第一名,该网络以结构上的创新取胜,通过采用全局平均池化层取代全连接层,极大的降低了参数量,是非常实用的模型,一般称该网络模型为Inception V1。随后的Inception V2...原创 2020-01-14 19:26:27 · 4007 阅读 · 6 评论 -
基于python神经网络的数字识别
迭代是什么:持续的,一点一点的改进答案的方法。模型的概念:当我们不能精确知道一些事情如何运作时,我们可以尝试使用模型来估计其运作方法,模型往往是一个算法,里面包括了可以调整的参数改进模型的方法:基于模型和已知真实示例之间的比较,得到模型偏移的误差值,调整参数。预测器:接受输入,并做出应有的预测,输出结果分类器:数据挖掘中对样本进行分类方式的统称分类不同于预测,预测我们是希望得到的...原创 2019-07-03 10:45:01 · 1283 阅读 · 0 评论 -
机器学习之朴素贝叶斯
@[TOC]一、定义朴素贝叶斯(naive Bayes)法是基于贝叶斯定理与特征条件独立假设的分类方法。对于训练数据集,首先基于特征条件独立假设学习输入输出的联合概率分布,然后基于此模型,对给定的输入x,利用贝叶斯定理求出后验概率最大的输出y。...原创 2021-04-20 18:44:50 · 130 阅读 · 0 评论 -
机器学习之支持向量机
一、支持向量机的概念支持向量机(Support Vector Machine)是一类按监督学习方式对数据进行二元分类的广义线性分类器(generalized linear classifier),其决策边界是对学习样本求解的最大边距超平面(maximum-margin hyperplane)。SVM有三宝:间隔、对偶、核技巧SVM有三种:hard-margin SVM、soft-margin、kernel SVM给定训练样本集D={(x1,y1),(x2,y2),...,(xm,ym),},yi∈{原创 2021-02-12 11:31:42 · 1183 阅读 · 0 评论 -
机器学习之决策树
决策树算法以树状结构表示数据的分类结果,每个叶子节点对应决策结果。划分选择:我们希望决策树的分支结点包含样本尽可能属于同一类别,即结点的纯度高ID3决策树 信息增益“信息熵”(information entropy)是度量样本集合纯度最常用的一种指标,假定当前样本集合D中第k类样本所占的比例为pkp^kpk(k=1,2,…|y|)(二分类时|y|=2),则D的信息熵定义为Ent(D)=−∑k=1∣y∣pklog2pkEnt(D)=-\sum\limits_{k=1}^{|y|}p_klog_2p_原创 2021-01-28 17:34:21 · 104 阅读 · 0 评论 -
机器学习之KNN
KNN算法概述 k近邻(简称KNN)算法是一种基本的分类与回归方法。工作机制:给定测试样本,基于某种距离度量找出训练集中与其最靠近的K个训练样本,然后基于这K个”邻居“的信息来预测。 在分类任务中可使用“投票法”,即选择这K个样本中出现最多的类别标记。 在...原创 2019-08-01 10:11:29 · 1261 阅读 · 1 评论 -
XGBoost参数详解(API文档)
**XGBoost参数**在运行XGBoost之前,我们必须设置三种类型的参数:常规参数,增强器参数和任务参数。一般参数与我们用来进行增强的助推器有关,通常是树状模型或线性模型增压器参数取决于您选择的增压器学习任务参数决定学习场景。例如,回归任务可以对排名任务使用不同的参数。命令行参数与XGBoost的CLI版本的行为有关。常规参数booster[默认= gbtree]使用哪个...原创 2019-10-06 11:06:00 · 6114 阅读 · 0 评论 -
李宏毅GAN学习笔记
GAN生成对抗网络是近几年来最酷的技术,可以做到影像生成。GAN中的生成器是输入任意一个向量,输出一张图像。输入向量的每个值可能代表着输入图像的某个特征。GAN不但有生成器,还有一个判别器。输入一张图像,然后对这张图像进行评价这张图像是否真实。生成器和判别器不断对抗而进化,生成器为了骗过生成器而不断生成更逼真的图像,而判别器也会不断进化使得能够判断出生成器生成的图片。首先初始化生成...原创 2020-04-25 19:43:02 · 401 阅读 · 0 评论 -
对抗机器学习模型
Attack ML Models的意义:如果要把神经网络模型用到生活中,那么这个模型就要求不但能够对抗普通的噪声,还要能够对抗一些人们特别制作的噪声,也就是对抗人类恶意的攻击。(1)正常训练的神经网络模型训练是希望预测结果与正确答案越接近越好,所以最小化损失函数,而无目标的对抗攻击不同,它希望预测结果与答案越远越好,也就是最大化损失函数。(2)有目标的对抗攻击是在无目标对抗攻击的基础上,不...原创 2020-04-24 21:36:39 · 1081 阅读 · 0 评论