机器学习
文章平均质量分 88
SSyangguang
这个作者很懒,什么都没留下…
展开
-
DTI数据竞赛经验总结(高维小样本特征处理)
DTI数据竞赛经验总结(高维小样本特征处理)首先说这次比赛是我第一次正式打数据竞赛,结果比较扯,名次不好,模型过拟合很严重。写这篇文章主要是两个目的:一个是记录一下比赛中总结的一些经验和教训,另一个是总结一下高维特征降维的方法。比赛介绍比赛是基于多中心DTI影像的阿尔茨海默病分类竞赛,赛事介绍链接在此:https://mp.weixin.qq.com/s/KlJOOvwqXkD1ANoVG2AOuw。弥散磁共振影像(DTI)在阿尔茨海默病(Alzheimer's disease, AD)中应原创 2020-12-06 10:27:42 · 3480 阅读 · 9 评论 -
多核支持向量机原理及实现
了解非线性支持向量机模型后,应该对支持向量机的原理与核技巧都有掌握,本文在传统非线性支持向量机基础上向大家介绍多核支持向量机,这里就不对支持向量机原理与核函数花费太多笔墨了,主要介绍将单核支持向量机转换为多核支持向量机的思想。原理介绍完之后会提供Python实现的思路。核函数对于非线性问题,使用直线无法将正负实例分开,但是可以使用非线性模型将其分离。如果使用超曲面可以将正负实例则称这个问题是非线性问题,往往需要一个非线性变换将非线性问题转换为线性问题。可以通过映射函数,将原空间上的点映射到新空间上的点原创 2020-09-07 15:18:59 · 4691 阅读 · 9 评论 -
LASSO回归与Ridge回归方法及Python实现总结
LASSO回归与Ridge回归 在线性回归算法中一般使用普通最小二乘法Ordinary Least Squares进行参数估计,这种方法进行参数估计时依赖于特征的独立性。如果样本的特征相关并且设计矩阵各列近似线性相关时,设计矩阵近似奇异,使用普通的最小二乘法估计模型参数会对观测目标的随机误差高度敏感,参数估计的方差过大,求解出来的模型很不稳定。在具体取值与真实值之间有较大偏差时,有...原创 2020-02-05 08:49:14 · 5301 阅读 · 0 评论 -
Hopfield神经网络
摘要: 从系统观点看,前馈神经网络模型的计算能力有限,具有自身的一些缺点。而反馈型神经网络是一种反馈动力学系统,比前馈神经网络拥有更强的计算能力,可以通过反馈而加强全局稳定性。反向传播神经网络模型虽然很适合处理学习问题,但是却不适合处理组合优化问题。理论上来说,如果参数设置得当,Hopfield神经网络可以被用来优化任何问题。反馈神经网络中,所有神经元具有相同的地位,没有层次差原创 2018-01-12 10:47:55 · 59876 阅读 · 6 评论 -
Hopfield神经网络处理TSP问题
TSP问题简介: TSP问题就是在一城市集合{A,B,C,…}中找出一个最短且经过每个城市各一次并回到起点的路径。为了将TSP问题映射到一神经网络的动态演化过程,首先必须找到一合适的表示方法。任一城市在最终路径上的次序可用一N维矢量表示。以10城市为例,如果城市A是第6个访问,则可以用0000010000,即只有第6个神经元的输出为1,其余都是0。为了表示表示所有城市,就需要N×N原创 2018-01-12 12:38:44 · 27839 阅读 · 6 评论 -
离散型Hopdield神经网络联想记忆功能
Hopdield神经网络用于联想记忆介绍: 如上图这个例子,这就是离散型Hopfield网络用于联想记忆的工作方式。我们以T这个字母为例,首先生成一张完整的T字形图片,然后将图片映射到神经网络中的每个神经元,即每个像素都对应网络中的一个神经元,T字上的像素映射到网络上的神经元,对应值是1(激活状态),T字外的像素映射到网络上的神经元,对应值为0(抑制状态)。然后进行训练,训原创 2018-01-12 14:16:13 · 7476 阅读 · 0 评论 -
如何将snake模型与Hopfield神经网络结合用于提取边缘
Computerized Tumor Boundary Detection Using a Hopfield Neural Network这篇论文给出了结合的思想 此方法在论文中被用于提取人脑多层MRI图像上每个切片中的脑肿瘤的边界。首先使用低通线性滤波器对每个原始MRI数据切片进行预处理以增强图像。然后根据形态学过程得到的轮廓为初始边界,设置初始搜索网格。最后一步是使用Hopfiel...原创 2018-04-06 15:23:29 · 1472 阅读 · 1 评论 -
【文献翻译】Fully Convolutional Networks for Semantic Segmentation全卷积神经网络
全卷积神经网络摘 要卷积网络是一种强大的视觉模型,它可以产生层次化特征。我们展示了卷积网络这种端到端、像素对像素的训练模型,超过了语义分割的最新技术水平。本文的关键点是构建了“全卷积”神经网络,它是一种输入尺寸任意的端对端神经网络,同时网络有着高效的学习和推理过程。我们定义并详细说明了全卷积神经网络的结构,解释它们在像素位置密集型预测任务中的应用,并得出与先前模型之间的连接。本文将经典的...翻译 2019-08-21 22:17:36 · 2610 阅读 · 0 评论