- 博客(6)
- 资源 (11)
- 收藏
- 关注
RSS订阅转载 斯坦福大学命名实体识别
一、分词介绍 http://nlp.stanford.edu/software/segmenter.shtml 斯坦福大学的分词器，该系统需要JDK 1.8+，从上面链接中下载stanford-segmenter-2014-10-26，解压之后，如下图所示 ，进入data目录，其中有两个gz压缩文件，分别是ctb.gz和pku.gz，其中CTB：宾州大学的中国树库训练资料 ，PKU：中国北京大
2017-06-29 11:18:28
1557
5
原创 命名实体识别方法
欢迎使用Markdown编辑器写博客本Markdown编辑器使用StackEdit修改而来，用它写博客，将会带来全新的体验哦：Markdown和扩展Markdown简洁的语法代码块高亮图片链接和图片上传LaTex数学公式UML序列图和流程图离线写博客导入导出Markdown文件丰富的快捷键快捷键加粗 Ctrl + B 斜体 Ctrl + I 引用 Ctrl
2017-06-29 10:58:57
2084
原创 Imbalanced Data
1:什么是Imbalanced Data类不平衡（class-imbalance）是指在训练分类器中所使用的训练集的类别分布不均。比如说一个二分类问题，1000个训练样本，比较理想的情况是正类、负类样本的数量相差不多；而如果正类样本有995个、负类样本仅5个，就意味着存在类不平衡。 have a binary classification problem and one class i
2017-06-23 15:50:29
2171
原创 CrossValidation
1.1 概念交叉验证(Cross-validation)主要用于模型训练或建模应用中，如分类预测、PCR、PLS回归建模等。在给定的样本空间中，拿出大部分样本作为训练集来训练模型，剩余的小部分样本使用刚建立的模型进行预测，并求这小部分样本的预测误差或者预测精度，同时记录它们的加和平均值。这个过程迭代K次，即K折交叉。其中，把每个样本的预测误差平方加和，称为PRESS(predicted E
2017-06-23 14:42:58
339
原创 Scikit-Learn Knowledge
random_state与random seed的作用是相同的，可以用来确保每次划分训练集和测试集的时候都完全一样。通过设置好random_state当别人重新运行你的代码的时候能够得到完全一样的结果，复现和你一样的过程。如果你设置为None，则会随机选择一个种子。
2017-06-23 10:14:11
323
原创 One-Hot Encoding
独热编码即 One-Hot 编码，又称一位有效编码，其方法是使用N位状态寄存器来对N个状态进行编码，每个状态都由他独立的寄存器位，并且在任意时候，其中只有一位有效。
2017-06-21 11:46:08
405
Pytorch 中文官方教程
2020-10-14
GoogleAndroidSDK开发范例大全
2014-09-03
Android应用开发详解pdf和源代码
2014-09-03
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人