机器学习
文章平均质量分 81
蘇丶
这个作者很懒,什么都没留下…
展开
-
关于ReDet使用问题记录
问题1:cuda error:device-side assert triggered标签实际数量与CNN输出的数量不一致,需要改config和对应dataset中的CLASSES,根据config文件中DatasetType修改mmdet\datasets中对应类型的CLASSES,并将config文件中的bbox_head和rbbox_head中num_classes设置为:类别数+1在这里插入图片描述...原创 2021-09-10 09:20:44 · 1294 阅读 · 4 评论 -
scikit-learn机器学习(二)--岭回归,Lasso回归和ElasticNet回归
scikit-learn机器学习(一)–多元线性回归模型 scikit-learn机器学习(二)–岭回归,Lasso回归和ElasticNet回归 scikit-learn机器学习(三)–逻辑回归和线性判别分析LDA多元线性回归模型中,为了是均方差误差最小化,常见的做法是引入正则化,正则化就是给对模型的参数或者说是系数添加一些先验假设,控制模型的空间,使模型的复杂度较小。 正则化目的:防...原创 2018-04-01 21:47:19 · 6301 阅读 · 1 评论 -
scikit-learn机器学习(一)--多元线性回归模型
scikit-learn机器学习(一)–多元线性回归模型 scikit-learn机器学习(二)–岭回归,Lasso回归和ElasticNet回归 scikit-learn机器学习(三)–逻辑回归和线性判别分析LDA假设我们给定一个样本(x,y),x有n个特征,比如身体健康指数与身高,体重,体脂有关系,那么身高,体重,体脂就是x的三个特征,而身体健康指数就是样本的y值。我们要求出身高,体重...原创 2018-04-01 14:05:58 · 7947 阅读 · 0 评论 -
scikit-learn机器学习(七)--K近邻法
一丶引言K近邻法是一种分类和回归算法,他输入特征的向量,通过计算新数据与训练数据特征值之间的距离,寻找K个距离最近的邻居进行分类判断,若K=1,则直接分类给他距离最近的数据的那一类。基本原理是概括为: 给定一个数据集,对于新输入的数据,该数据与数据集中的k个样本最相似,如果这k个样本中的大多数属于某一个类别,则该样本也属于这个类别特点: 优点:精度高、对异常值不敏感、...原创 2018-04-09 14:41:34 · 894 阅读 · 0 评论 -
scikit-learn机器学习(三)--逻辑回归和线性判别分析LDA
scikit-learn机器学习(一)–多元线性回归模型 scikit-learn机器学习(二)–岭回归,Lasso回归和ElasticNet回归 scikit-learn机器学习(三)–逻辑回归和线性判别分析LDA前面的线性回归模型是解决预测问题的,根据样本的多个特征,推测其目标值,但是现实生活中除了这种预测问题之外,还有一种问题就是分类问题,比如这个人是否得病,邮件是否为垃圾邮件等...原创 2018-04-02 11:44:40 · 6090 阅读 · 1 评论 -
scikit-learn机器学习(四)--决策树
决策树概述决策树是一种分类和预测方法,有监督的学习算法,以树状图为基础,决策树利用分层的思想将一个复杂的问题分解为多个简单的判断问题,最后得到最大支持的决策结果。 优点: 可读性强,分类速度快,计算复杂度不高时,输出结果易于理解,对中间值的缺失不敏感,可以处理不相关的特征数据 缺点: 可能产生过度匹配问题 构建决策树步骤1.特征选择 2.决策树生成 3.决策树剪枝1.特征选择特征选择就原创 2018-04-03 19:44:07 · 1167 阅读 · 0 评论 -
scikit-learn机器学习(五)--条件概率,全概率和贝叶斯定理及python实现
在理解贝叶斯之前需要先了解一下条件概率和全概率,这样才能更好地理解贝叶斯定理一丶条件概率条件概率定义:已知事件A发生的条件下,另一个事件B发生的概率成为条件概率,即为P(B|A) 如图A∩B那一部分的发生的概率即为P(AB),P(AB)=发生A的概率*发生A之后发生B的概率=发生B的概率*发生B之后发生A的概率即:P(AB)=P(A)*P(B|A)=P(B)*P(A|B)所以条件概率公式:原创 2018-04-04 14:19:14 · 6992 阅读 · 4 评论 -
scikit-learn机器学习(六)--朴素贝叶斯分类原理及python实现
朴素贝叶斯分类原理:关于贝叶斯定理,参考上一篇博客: scikit-learn机器学习(五)–条件概率,全概率和贝叶斯定理及python实现 贝叶斯分类,个人理解,通俗的说: 假设各个特征之间都是独立存在的,根据这些特征来判断一个事件所属的类别的概率,该事件属于概率最大的类别 给定各个特征的情况下,计算这个事件属于某一类的概率,最大概率即属于该类别比如结婚的时候嫁人...原创 2018-04-04 22:54:33 · 3177 阅读 · 3 评论