- 博客(5)
- 资源 (2)
- 收藏
- 关注
RSS订阅原创 常见损失loss汇总
文章目录回归模型的损失函数L1正则损失函数（即绝对值损失函数）L2正则损失函数（即欧拉损失函数）Pseudo-Huber 损失函数分类模型的损失函数Hinge损失函数两类交叉熵（Cross-entropy）损失函数加权交叉熵损失函数Sigmoid交叉熵损失函数Softmax交叉熵损失函数回归模型的损失函数L1正则损失函数（即绝对值损失函数）L1正则损失函数是对预测值与目标值的差值求绝对值，公式如下：L(Y,f(X))=∣Y−f(X)∣L(Y,f(X))=\left | Y-f(X) \right |
2020-05-14 11:01:32
2494
原创 RNN及LSTM原理
文章目录RNN为什么需要RNN（循环神经网络）RNN的结构及变体重要变体之Encoder-DecoderRNN的训练方法—BPTTRNN的梯度消失梯度爆炸问题LSTM长期依赖（Long-Term Dependencies）问题LSTM网络LSTM变体RNN为什么需要RNN（循环神经网络）们都只能单独的取处理一个个的输入，前一个输入和后一个输入是完全没有关系的。但是，某些任务需要能够更好的处理序列的信息，即前面的输入和后面的输入是有关系的。比如，当我们在理解一句话意思时，孤立的理解这句话的每个词是不够
2020-05-10 12:38:50
3366
原创 数据的异常点检测算法
文章目录Isolation ForestNumeric OutlierZ-scoreDBSCAN:基于密度的聚类数据预处理的好坏，很大程度上决定了模型分析结果的好坏。其中，异常值（outliers）检测是整个数据预处理过程中，十分重要的一环，它的存在可能对最终建立的模型的精度和泛化能力有较大的影响。当然检测方法也是多种多样。Isolation Forest孤立森林，独异森林（Isolatio...
2020-05-07 18:00:57
5532
原创 常见聚类(K-means、DSCAN)算法及实现
文章目录K-meansK-meansk值如何确定K-mediods(K中心点)算法层次聚类密度聚类DSCAN谱聚类常用的评估方法：轮廓系数(Silhouette)相似度度量及相互系数K-meansK-meansK-means算法优点：1).是解决聚类问题的一种经典算法，原理简单，实现容易。2).当簇接近高斯分布时，它的效果较好。3).与密度聚类中的DSCAN相比，簇与簇之间划分清晰。...
2020-05-07 14:25:32
3511
原创 KNN K值的选择
文章目录误差KNNK值的选择误差近似误差：可以理解为对现有训练集的训练误差。估计误差：可以理解为对测试集的测试误差。近似误差关注训练集，如果近似误差小了会出现过拟合的现象，对现有的训练集能有很好的预测，但是对未知的测试样本将会出现较大偏差的预测。模型本身不是最接近最佳模型。估计误差关注测试集，估计误差小了说明对未知数据的预测能力好。模型本身最接近最佳模型。KNNk近邻算法是一种基本分...
2020-05-03 13:19:32
10681
keras_face_recognition_cnn
2019-01-23
inception-resnet-v2 protxt caffemodel
2019-01-11
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人