![](https://img-blog.csdnimg.cn/20201014180756918.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器学习
文章平均质量分 59
qq-120
这个作者很懒,什么都没留下…
展开
-
Monitor Deep Learning Training Progress
在训练过程中,您可以通过点击右上角的停止按钮停止训练并返回网络的当前状态。训练损失、经过平滑处理的训练损失和验证损失-分别指每个小批量的损失、其经过平滑处理的版本以及验证集的损失。经过平滑处理的训练准确度-经过平滑处理的训练准确度,通过将平滑算法应用于训练准确度来获得。训练网络并在训练过程中绘制训练进度。...原创 2022-07-20 00:16:11 · 676 阅读 · 0 评论 -
加权最小二乘法和离群点
处理方法1)使用加权最小二乘法;由于最小二乘法思想是最小化均方差,在误差符合正态分布,均值为0的前提下,考虑了每个样本的贡献度,即每个样本都具有相同的权重,因此最小二乘法对数据中间的异常值特别敏感。加权最小二乘法也是以距离为度量,根据距离大小赋予不同的权重值,可以在一定程度上减少异常值的干扰。2)使用残差诊断离群值;利用最小二乘法线性模型,通过计算残差,判定采样数据中的离群值,去除离群值后再次计算残差,找出离群值,直至不再出现离群值,计算最小二乘法回归方程。......原创 2022-07-10 18:21:32 · 2203 阅读 · 2 评论 -
超高维数据(数据维度远大于样本数)的降维
超高维数据(数据维度远大于样本数)的降维该如何处理原创 2022-07-10 18:09:19 · 1665 阅读 · 0 评论 -
ML_Random_Forests
机器学习100天系列学习笔记 机器学习100天(中文翻译版)机器学习100天(英文原版)代码阅读:第一步:导包#Step 1: Importing the Librariesimport numpy as npimport matplotlib.pyplot as pltimport pandas as pd第二步:导入数据#Step 2: Importing the datasetdataset = pd.read_csv('D:/daily/机器学习100天/100-Days-Of-原创 2022-04-09 16:24:35 · 79 阅读 · 0 评论 -
ML_Decision Tree
机器学习100天系列学习笔记 机器学习100天(中文翻译版)机器学习100天(英文原版)代码阅读:第一步:导包#Step 1: Importing the Librariesimport numpy as npimport matplotlib.pyplot as pltimport pandas as pd第二步:导入数据#Step 2: Importing the datasetdataset = pd.read_csv('D:/daily/机器学习100天/100-Days-Of-原创 2022-04-09 16:17:59 · 154 阅读 · 0 评论 -
ML_SVM
机器学习100天系列学习笔记 机器学习100天(中文翻译版)机器学习100天(英文原版)代码阅读:第一步:导包#Step 1: Importing the Librariesimport numpy as npimport matplotlib.pyplot as pltimport pandas as pd第二步:导入数据#Step 2: Importing the datasetdataset = pd.read_csv('D:/daily/机器学习100天/100-Days-Of-原创 2022-04-08 13:12:02 · 336 阅读 · 0 评论 -
ML_KNN
机器学习100天系列学习笔记 机器学习100天(中文翻译版)机器学习100天(英文原版)代码阅读:第一步:导包#Step 1: Importing the Librariesimport numpy as npimport matplotlib.pyplot as pltimport pandas as pd第二步:导入数据#Step 2: Importing the datasetdataset = pd.read_csv('D:/daily/机器学习100天/100-Days-Of-原创 2022-04-08 12:47:48 · 1208 阅读 · 0 评论 -
ML_Logistic_Regression
机器学习100天系列学习笔记 机器学习100天(中文翻译版)机器学习100天(英文原版)代码阅读:第一步:导包#Step 1: Importing the Librariesimport numpy as npimport matplotlib.pyplot as pltimport pandas as pd第二步:导入数据#Step 2: Importing the datasetdataset = pd.read_csv('D:/daily/机器学习100天/100-Days-Of-原创 2022-04-07 21:44:27 · 1321 阅读 · 0 评论 -
ML_Multiple Linear Regression
第一步:导包#Step 1: Data Preprocessingimport pandas as pdimport numpy as np第二步:导入数据#Step 2: Importing the datasetdataset = pd.read_csv('D:/daily/机器学习100天/100-Days-Of-ML-Code-中文版本/100-Days-Of-ML-Code-master/datasets/50_Startups.csv')X = dataset.iloc[ : ,原创 2022-04-05 20:28:07 · 984 阅读 · 0 评论 -
ML---Simple Linear Regression
第一步:导包#Step 1: Data Preprocessingimport pandas as pdimport numpy as npimport matplotlib.pyplot as plt第二步:导入数据# 28个样本dataset = pd.read_csv('D:/daily/机器学习100天/100-Days-Of-ML-Code-中文版本/100-Days-Of-ML-Code-master/datasets/studentscores.csv')X = datase原创 2022-04-05 20:11:05 · 135 阅读 · 0 评论 -
GMM_example(3)
下面实现高斯混合模型的软聚类,其步骤为(1)计算每个样本点关于每个簇的后验概率, 这个概率可用来描述这个点和每个类 的相似度;(2)根据后验概率值大小进行排序;(3)通过分数决定这个点的所属类别;首先生成训练样本数据X,然后调用函数 fitgmdist() 拟合一个高斯混合模型,最后调用函数 posterior 计算每个样本对于每个簇的后验概率并进行可视化显示。% 高斯混合模型软聚类的例子clear; close allk = 2;原创 2022-03-28 21:04:22 · 219 阅读 · 0 评论 -
GMM_example(2)
若已知高斯混合模型的均值、协方差矩阵和权重系数,用函数gmdistribution可以生成一个高斯混合模型。通常我们只有一组样本数据,要将其拟合为高斯混合模型,所用算法为EM算法;matlab中函数fitmdist()可以较好的拟合出高斯混合模型。实验代码如下:%高斯混合模型的参数拟合 %产生三个二维的单高斯模型,并用来产生模拟数据clc; close all; clear all;k = 3; %单高斯成分个数mu1 = [-2 -2]'; sigma1 = [1 0; 0 2]; %第一原创 2022-03-28 19:04:49 · 1897 阅读 · 0 评论 -
GMM_example(1)
该例子调用matlab机器学习工具箱自带的相关函数来实现高斯混合聚类。GMM(Gaussian mixture model, GMM)实现步骤:(1)首先设置均值、方差、权重参数;(2)再调用gmdistribution()函数生成一个混合高斯模型;(3)做出GMM概率密度函数 (PDF) 和累积分布函数 (CDF)显示图;代码详见下栏:clear; clc; close all;Mu = [-2 -2; -3 3; 3, -3]; %三个成分的均值Sigma = cat(3,[1 0; 0原创 2022-03-28 16:54:45 · 258 阅读 · 0 评论