![](https://img-blog.csdnimg.cn/20201014180756928.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器学习
文章平均质量分 53
laxehr
连Python都没学会呢,你跟我谈deep learning?
展开
-
周志华 机器学习笔记 第二章
名词解释:训练误差:学习器在训练集上的误差误差:学习器的实际预测输出与样本的真实输出之间的差异错误率:把分类错误的样本数占样本总数的比例泛化误差:在新样本上的误差过拟合:当学习器把训练样本学得"太好"了的时候,很可能巳经把训练样本自身的一些特点当作了所有潜在样本都会具有的一般性质,这样就会导致泛化性能下降这种现象在机器学习中称为"过拟合" (overfitting). 误差评估方法:"留出法" (...原创 2018-05-14 19:33:29 · 939 阅读 · 0 评论 -
入行 AI,如何选个脚踏实地的岗位?
https://blog.csdn.net/GitChat/article/details/80912831本文作者:李烨,高级软件工程师,现就职于微软(Microsoft),曾在易安信(EMC)和太阳微系统(Sun Microsystems)任软件工程师。先后参与聊天机器人、大数据分析平台等项目的开发。引言AI原本是一个专业领域,没什么特别的。作为码农一枚,笔者的工作内容正好在这个领域。近来这一...转载 2018-07-04 15:53:06 · 160 阅读 · 0 评论 -
2.机器学习之 为什么要用交叉验证
本文结构:什么是交叉验证法? 为什么用交叉验证法? 主要有哪些方法?优缺点? 各方法应用举例?什么是交叉验证法?它的基本思想就是将原始数据(dataset)进行分组,一部分做为训练集来训练模型,另一部分做为测试集来评价模型。为什么用交叉验证法?交叉验证用于评估模型的预测性能,尤其是训练好的模型在新数据上的表现,可以在一定程度上减小过拟合。 还可以从有限的数据中获取尽可能多...转载 2018-09-08 20:09:58 · 1199 阅读 · 0 评论 -
3.机器学习之【错误率、精度、查准率、查全率和F1度量】详细介绍
目录:(1)错误率(Error rate)和精度(Accuracy)(2)查准率(准确率-Precision)、查全率(召回率-Recall)(3)P-R曲线、平衡点和F1衡量 2018年4月11日16:00左右,面试了腾讯的《基础研究》实习生职位,面试地点在广州。我投递的岗位是机器学习、深度学习算法工程师,面试结果是一面就挂了。虽然面试没过,还是要总结一下面试经验。把面试中自...转载 2018-09-08 20:23:59 · 3575 阅读 · 0 评论 -
(1)机器学习-----回归
最大似然估计:现在已经拿到了很多个样本(你的数据集中所有因变量),这些样本值已经实现,最大似然估计就是去找到那个(组)参数估计值,使得前面已经实现的样本值发生概率最大。因为你手头上的样本已经实现了,其发生概率最大才符合逻辑。这时是求样本所有观测的联合概率最大化,是个连乘积,只要取对数,就变成了线性加总。此时通过对参数求导数,并令一阶导数为零,就可以通过解方程(组),得到最大似然估计值。最小二乘:...原创 2018-10-15 21:37:13 · 150 阅读 · 0 评论 -
深度学习圣经 里面关于超参数和验证集这一章节
在NG的ML课程中和西瓜书中都有提到:最佳的数据分类情况是把数据集分为三部分,分别为:训练集(train set),验证集(validation set)和测试集(test set)。那么,验证集和测试集有什么区别呢? 实际上,两者的主要区别是:验证集用于进一步确定模型中的超参数(例如正则项系数、ANN中隐含层的节点个数等)而测试集只是用于评估模型的精确度(即泛化能力)! 举个例子...原创 2018-12-04 20:40:11 · 520 阅读 · 0 评论 -
OHEM+fast RCNN的总结和代码解析
这是CVPR2016的一篇论文,用于目标检测,本篇博文先介绍这个算法,然后介绍其Caffe代码。论文:Training Region-based Object Detectors with Online Hard Example Mining论文链接:https://arxiv.org/abs/1604.03540参考:https://blog.csdn.net/u014380165/...翻译 2019-02-28 21:27:35 · 685 阅读 · 6 评论 -
机器学习总结(一):线性回归、岭回归、Lasso回归(转载待整理)
https://blog.csdn.net/hzw19920329/article/details/77200475线性回归作为一种回归分析技术,其分析的因变量属于连续型变量,如果因变量转变为离散型变量,将转换为分类问题。回归分析属于有监督学习问题,本博客将重点回顾标准线性回归知识点,并就线性回归中可能出现的问题进行简单探讨,引出线性回归的两个变种岭回归以及Lasso回归,最后通过sklear...转载 2019-02-28 22:07:00 · 368 阅读 · 0 评论