![](https://img-blog.csdnimg.cn/eaa6e9f0c21948d99c6a21aca80e3c00.jpeg?x-oss-process=image/resize,m_fixed,h_224,w_224)
机器学习
文章平均质量分 85
机器学习笔记
豆豆LemonET
苔花如米小,也学牡丹开。
展开
-
【机器学习】Adam优化算法
自适应梯度算法(AdaGrad)维护一个参数的学习速率,可以提高在稀疏梯度问题上的性能(例如,自然语言和计算机视觉问题)。均方根传播(RMSProp)也维护每个参数的学习速率,根据最近的权重梯度的平均值(例如变化的速度)来调整。这意味着该算法在线上和非平稳问题上表现良好(如:噪声)。Adam优化算法的优点包括:自适应学习率:Adam算法可以自适应地调整每个参数的学习率,根据其梯度的一阶矩估计和二阶矩估计进行调节,有助于加速模型收敛。原创 2024-03-10 17:42:50 · 3062 阅读 · 0 评论 -
【机器学习】生成对抗网络GAN
生成对抗网络(Generative Adversarial Network,GAN)是一种深度学习模型架构,由生成器(Generator)和判别器(Discriminator)两部分组成,旨在通过对抗训练的方式生成逼真的数据样本。GAN 的基本思想是让生成器和判别器相互竞争、不断优化,以达到生成高质量数据的目的。生成器的任务是生成尽可能逼真的数据样本,而判别器的任务是区分真实数据和生成器生成的假数据。通俗的讲,就是让生成器生成的数据更真,真到能把判别器“骗”过去。原创 2024-03-04 19:22:29 · 565 阅读 · 0 评论 -
【机器学习】常见的聚类算法——K-means算法
K-means算法是一种无监督学习的聚类算法,用于将一组数据点划分为K个簇(cluster)。它基于数据点之间的相似性度量,将相似的数据点归为同一个簇,不相似的数据点归为不同的簇。算法的概念和定义如下:簇中心(Cluster Center):每个簇都有一个中心点,用于表示该簇的位置。初始时,K-means算法需要随机选择K个点作为初始的簇中心。原创 2024-01-26 18:40:39 · 863 阅读 · 0 评论 -
【机器学习】常见的聚类算法——双聚类算法(Biclustering algorithm)
算法采用不同的方式给双向簇分配行列,这导致了不同的双向聚类结构。当将行和列划分为区块时,将出现块对角或棋盘结构。如果每一行和每一列恰好属于一个二元组,则重新排列数据矩阵的行和列将显示对角线上的二元组。这是此结构的示例,此结构的双向簇具有比其他行列更高的平均值:通过分隔行和列形成的双向簇的示例在棋盘结构的例子中,每一行属于所有的列簇,每一列属于所有的行簇。原创 2024-01-19 17:42:01 · 1570 阅读 · 0 评论 -
【机器学习】常见的聚类算法——凝聚型层次聚类算法(Agglomerative Clustering)
本文为常见的聚类算法之层次算法,主要研究了凝聚型层次聚类算法(Agglomerative Clustering),给出了概念、实例,以及可运行的代码及结果。使用鸢尾花数据集聚类的例子进行实验。原创 2024-01-19 16:18:38 · 3404 阅读 · 0 评论 -
【ARDL】自回归分布滞后模型
AIC偏向于选择复杂模型,而BIC倾向于选择简单模型。在实际例子中,AIC和BIC可以用来选择最适合特定数据集的统计模型。接下来我会以线性回归模型为例,说明如何使用AIC和BIC进行模型选择。假设我们有一个包含多个自变量的数据集,并且我们想要建立一个线性回归模型来预测因变量。我们可以建立不同数量和类型的自变量的多个模型,然后使用AIC和BIC来确定哪个模型最适合我们的数据集。首先,我们拟合不同的线性回归模型,每个模型使用不同的自变量组合。然后,对每个模型计算其对应的AIC和BIC值。最后,我们。原创 2023-11-10 10:06:02 · 4680 阅读 · 1 评论 -
【机器学习】高斯回归过程GPR
我是知识的搬运工原创 2023-10-09 09:46:45 · 535 阅读 · 1 评论