![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器学习
圣诞老人家
这个作者很懒,什么都没留下…
展开
-
生成式模型vs判别式模型
1.模型差别 生成式模型:由数据学习联合概率分布P(X,Y), 然后由P(Y|X)=P(X,Y)/P(X)求出概率分布P(Y|X)作为预测的模型。该方法表示了给定输入X与产生输出Y的生成关系 判别式模型:由数据直接学习决策函数Y=f(X)或条件概率分布P(Y|X)作为预测模型,即判别模型。判别方法关心的是对于给定的输入X,应该预测什么样的输出Y。 2.模型对比 (1)生成模型可以还原出联合...原创 2020-02-06 11:18:16 · 551 阅读 · 0 评论 -
Greedy search 和 beam search
1 Greedy search 一个自然的想法是贪心搜索(greedy search),即decoder的每一步都选择最可能的单词,最后得到句子的每一个单词都是每一步认为最合适的单词。但这样并不保证整个句子的概率是最大的,即不能保证整个句子最合适。实际上,贪心搜索的每一步搜索都处理成仅仅与前面刚生成的一个单词相关,类似于马尔科夫假设。这显然是不合理的,具体来说,贪心搜索到的句子yy概率是使得下式...原创 2019-10-30 22:27:43 · 898 阅读 · 0 评论 -
numpy 中newaxis函数
x1[:,np.newaxis]:增维,转置 从字面上是插入新的维度的意思 demo1: 针对一维的情况 >>> b = np.array([1, 2, 3, 4, 5, 6]) >>> b[np.newaxis] array([[1, 2, 3, 4, 5, 6]]) >>> c = b[np.newaxis] #equals...原创 2019-07-03 09:46:16 · 1174 阅读 · 0 评论 -
一元线性回归实战
一:算法具体实现 import numpy as np import matplotlib.pyplot as plt data=np.genfromtxt("data.csv",delimiter=",") x_data=data[:,0] y_data=data[:,1] plt.scatter(x_data,y_data) plt.show() lr=0.01 b=0 k=0 epoch...原创 2019-07-03 10:18:35 · 169 阅读 · 0 评论 -
多元线性回归实战(二元)
一:算法具体实现 import numpy as np import matplotlib.pyplot as plt from mpl_toolkits.mplot3d import Axes3D data=np.genfromtxt("data1.csv",delimiter=",") x_data=data[:,:-1] y_data=data[:,-1] lr=0.0001 k1=k2...原创 2019-07-03 11:59:30 · 2391 阅读 · 0 评论