西瓜书一二章拾遗

最新推荐文章于 2021-07-25 23:45:29 发布
最新推荐文章于 2021-07-25 23:45:29 发布
阅读量96 收藏
点赞数
分类专栏： 笔记 文章标签： 西瓜书笔记
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_41577592/article/details/118706588
版权

西瓜书一二章拾遗

  • 版本空间：现实问题中我们常面临很大的假设空间，但学习过程是基于有限样本训练集进行的，因此，可能有多个假设与训练集一致，即存在着一个与训练集一致的“假设集合”，我们称之为“版本空间”（version space ）。
  • NFL定理（no free lunch）:训练集之外所用样本上的误差与算法的选取无关。
  • NFL前提：所有“问题”出现的机会相同或所有问题同等重要。
    在这里插入图片描述
  • “平衡点” （Break-Even Po nt ，简称 BEP ）：是“查准率=查全率”是的取值。
  • F1度量
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    ROC 全称是“受试者工作特征”（Receiver Operating Characteristic ）曲线：
    在这里插入图片描述
cold_ember
关注
专栏目录
第10章 拾遗1
08-08
在本章拾遗中，我们将探讨C语言中的一些高级特性，包括结构体成员函数、C语言中的布尔类型、预编译指令与条件编译以及位运算与位段结构。这些内容是C语言深入学习的重要部分。 首先，让我们关注结构体成员函数。在...
《西瓜书》- 第2章 模型评估与选择 习题答案整理
热门推荐
haiyu94的博客
05-02 1万+
说明 自己整理，欢迎交流～ 2.1 数据集包含1000个样本，其中500个正例、500个反例，将其划分为包含70%样本的训练集和30%样本的测试集用于留出法评估，试估计有多少种划分方式。 答：30%用于测试集相当于要从正负样本各选500*30%=150个样本 所以一共有 C500150⋅C500150C_{500}^{150}·C_{500}^{150}C500150​⋅C500150​ 2.2 ...
C++内存泄漏检测拾遗
01-19
在MFC开发环境中，当运行退出了，Visual STudio会在输出窗口提示是否有内存泄漏。也可以借助MFC类CMemoryState动态地检测并输出内存泄漏信息。 　在非MFC框架中，需要借助CRT函数实现这些功能。...
mplayer安装过程与拾遗
08-10
《mplayer安装过程与拾遗》 MPlayer是一款强大的跨平台多媒体播放器，深受软件开发者和普通用户喜爱。本文将详细介绍MPlayer的安装步骤，并针对初学者可能遇到的问题进行解析和解答。 首先，安装MPlayer涉及到四个...
奥数拾遗201812171
08-08
通过分析三人的陈述，可以得知只有一个人完全正确，一个人对一半，另一个人完全错误。甲、乙、丙的陈述分别是：甲（非铁非铜），乙（非铁锡），丙（非锡铁）。如果甲正确，乙和丙都错误，不满足条件；如果乙正确，甲...
奥数拾遗补充11
08-08
- **双重等差数列**：例如1, 4, 5, 8, 9, 12...，这种数列的相邻项差值不是一个常数，而是变化的，可以转化为一阶等差数列的和来解决。 - **二阶等差数列**：如1, 2, 4, 7, 11, 16...，相邻两项的差形成新的等差...
基于图神经网络的图表征学习方法
weixin_41577592的博客
07-05 925
@TOC基于图神经网络的图表征学习方法 以图同构网络(Graph Isomorphism Network, GIN)为例学习基于图神经网络的图表征学习。图表征学习要求根据节点属性、边和边的属性（如果有的话）生成一个向量作为图的表征，基于图表征我们可以做图的预测。 #基于图同构网络（GIN）的图表征网络的实现 计算得到节点表征； 对图上各个节点的表征做图池化（Graph Pooling），或称为图读出（Graph Readout），得到图的表征（Graph Representation）。 ##基于图同
CV实践--语义分割3
weixin_41577592的博客
02-26 646
语义分割模型发展FCNFCN原理及结构训练过程SegNetUnetDeepLabRefineNetPSPNet基于全卷积的 GAN 语义分割模型 FCN FCN原理及结构 FCN 首先将一幅 RGB 图像输入到卷积神经网络后，经过多次卷积以及池化过程得到一系列的特征图，然后利用反卷积层对最后一个卷积层得到的特征图进行上采样，使得上采样后特征图与原图像的大小一样，从而实现对特征图上的每个像素值进行预测的同时保留其在原图像中的空间位置信息，最后对上采样特征图进行逐像素分类，逐个像素计算 softmax 分类损
图神经网络——简单图论与环境配置与PyG库
weixin_41577592的博客
06-16 409
@TOC #图结构数据 ##图的表示 定义一（图）：一个图被记为G={V,E}\mathcal{G}=\{\mathcal{V}, \mathcal{E}\}G={V,E}，其中 V={v1,…,vN}\mathcal{V}=\left\{v_{1}, \ldots, v_{N}\right\}V={v1​,…,vN​}是数量为N=∣V∣N=|\mathcal{V}|N=∣V∣ 的结点的集合， E={e1,…,eM}\mathcal{E}=\left\{e_{1}, \ldots, e_{M}\righ
消息传递图神经网络
weixin_41577592的博客
06-19 405
@[TOC]（消息传递图神经网络） 消息传递范式 最右图为消息传递范式 Pytorch Geometric(PyG)中的MessagePassing基类 它封装了“消息传递”的运行流程。通过继承MessagePassing基类，可以方便地构造消息传递图神经网络。 MessagePassing子类实例 GCNConv的数学定义为 xi(k)=∑j∈N(i)∪{i}1deg⁡(i)⋅deg⁡(j)⋅(Θ⋅xj(k−1)), \mathbf{x}_i^{(k)} = \sum_{j \in \mathcal
CV实践--语义分割4
weixin_41577592的博客
03-01 339
评价函数与损失函数TP TN FP FN评价指标Dice 评价指标IOU评价指标BCE 损失函数Focal LossLovász-Softmax TP TN FP FN TP(真正例 true positive) TN(真反例 true negative) FP(假正例 false positive) FN(假反例 false negative) Precision=TPTP+FPPrecision = \frac{TP}{TP+FP}Precision=TP+FPTP​ Recall=TPTP+FN
基于图神经网络的节点表征学习
weixin_41577592的博客
06-23 330
基于图神经网络的节点表征学习Cora数据集介绍MLP和GCN, GAT节点表征学习能力对比准备工作MLP在图节点分类任务中的应用GCN在图节点分类任务中的应用GAT在图节点分类任务中应用结果对比分析 本节中，我们将学习实现多层图神经网络的方法，以及训练图神经网络产生高质量节点表征并实现高准确性节点分类的一般过程。 我们的任务是根据节点的属性(可以是类别型、也可以是数值型)、边的信息、边的属性（如果有的话）、已知的节点预测标签，对未知标签的节点做预测。 Cora数据集介绍 Cora数据集由许多机器学习领
集成学习案例一 （幸福感预测）
weixin_41577592的博客
05-18 329
@TOC幸福感预测 #背景介绍 比赛的数据使用的是官方的《中国综合社会调查CGSS）》文件中的调查结果中的数据，其共包含有139个维度的特征，包括个体变量（性别、年龄、地域、职业、健康、婚姻与政治面貌等等）、家庭变量（父母、配偶、子女、家庭资本等等）、社会态度（公平、信用、公共服务）等特征。 #数据信息 赛题要求使用以上 139 维的特征，使用 8000 余组数据进行对于个人幸福感的预测（预测值为1，2，3，4，5，其中1代表幸福感最低，5代表幸福感最高）。 #评价指标 最终的评价指标为均方误差MSE，即：
西瓜书第五章拾遗
weixin_41577592的博客
07-25 320
西瓜书第五章拾遗神经网络的神经元模型![在这里插入图片描述](https://img-blog.csdnimg.cn/538de29d4cca4a3c835f3187a9d2fcc0.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MTU3NzU5Mg==,size_16,color_FFFFFF,t_70)感知机与多层网络误差逆
西瓜书第四章拾遗
weixin_41577592的博客
07-22 289
西瓜书第四章拾遗决策树基本流程划分选择信息增益增益率基尼系数剪枝处理预剪枝连续与缺失值连续值处理 决策树基本流程 划分选择 信息增益 增益率 基尼系数 剪枝处理 预剪枝 预剪枝：是指在决策树生成过程中，对每个结点在划分前先进行估计，若当前结点的划分不能带来决策树泛化性能提升， 停止划分并将当前结点标记为叶结点。 后剪枝：是先从训练集生成一棵完整的决策树，然后自底向上地对非叶结点进行考察，若将该结点对应的子树替换为叶结点能带来决策树泛化性能提升，则将该子树替换为叶结点。 连续与缺失值 连续值处理 由
集成学习案例二 （蒸汽量预测）
weixin_41577592的博客
05-23 248
蒸汽量预测背景介绍数据信息评价指标方法步骤 背景介绍 火力发电的基本原理是：燃料在燃烧时加热水生成蒸汽，蒸汽压力推动汽轮机旋转，然后汽轮机带动发电机旋转，产生电能。在这一系列的能量转化中，影响发电效率的核心是锅炉的燃烧效率，即燃料燃烧加热水产生高温高压蒸汽。 锅炉的燃烧效率的影响因素很多，包括锅炉的可调参数，如燃烧给量，一二次风，引风，返料风，给水水量；以及锅炉的工况，比如锅炉床温、床压，炉膛温度、压力，过热器的温度等。 数据信息 数据分成训练数据（train.txt）和测试数据（test.txt），其中字
CV实践--语义分割
weixin_41577592的博客
02-20 236
赛题理解与baselinebaseline部分 baseline部分 引入相关库函数，定义rle编解码函数 flatten: 沿纵向（F）平铺（flatten）向量； np.concatenate: 适用于大规模数据拼接，默认axis=0； np.where输出满足条件 (即非0) 元素的坐标； import numpy as np import pandas as pd import pathlib, sys, os, random, time import numba, cv2, gc fro
超大规模数据集类的创建
weixin_41577592的博客
07-09 236
超大规模数据集类的创建Dataset基类简介图样本封装成批（BATCHING）与DataLoader类小图的属性增值与拼接实践 针对数据集规模超大的应用场景，需要构建一个按需加载样本到内存的数据集类。 Dataset基类简介 在PyG中，我们通过继承torch_geometric.data.Dataset基类来自定义一个按需加载样本到内存的数据集类。 import os.path as osp import torch from torch_geometric.data import Dataset,
集成学习（上）--3
weixin_41577592的博客
03-22 234
优化基础模型 训练均方误差与测试均方误差 当我们的模型的训练均方误差达到很小时，测试均方误差反而很大。模型在训练误差很小，但是测试均方误差很大时，我们称这种情况叫模型的过拟合。 偏差-方差的权衡： 我们的测试均方误差的期望值可以分解为f^(x0)\hat{f}(x_0)f^​(x0​)的方差、 f^(x0)\hat{f}(x_0)f^​(x0​)的偏差平方和ε\varepsilonε误差项的方差(建模人物难度/不可约误差)。 一般来说，模型的复杂度越高，f的方差就会越大。 偏差和方差的关系：
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值