Wang laiqi's blog

Tensor概念介绍可以把Tensor理解为多维数组，可以具有任意多的维度，不同的Tensor可以有不同的数据类型（dtype）和形状（shape）同一Tensor中的所有元素的dtype均相同。不同维度的Tensor可视化表示为如下图所示。模型和层的概念模型是深度学习中比较重要的概念，模型的核心功能是将一组输入变量经过一系列的计算，映射到另一组输出变量，用到的映射函数就是一种深度学习算法。模型主要包含两方面的内容。（1）一系列层的组合用于进行映射。（2）一些参数变量在训练的过程中实时更新.

偏差：指的是算法在大型训练集上的错误率。方差：指的是算法在测试集上的表现低于训练集的程度。

出现该错误是因为要保存的model中包含了自定义的层（Custom Layer），导致加载模型的时候无法解析该Layer解决该问题的方法是在load_model函数中添加custom_objects参数，该参数接受一个字典，键值为自定义的层：ner_model = load_model(model_path + 'ner_crf_bilstm_model.h5', custom_objects...

mportError: /home/user/anaconda2/envs/py36/lib/python3.6/site-packages/scipy/spatial/ckdtree.cpython-36m-x86_64-linux-gnu.so: symbol _ZTINSt8ios_base7failureB5cxx11E, version GLIBCXX_3.4.21 not define...

ValueError: Tensor Tensor(“dense_2/Softmax:0”, shape=(?, 15), dtype=float32) is not an element of this graph. 对于上面的bug,猜测估计是python2.7出现的编码问题。解决方法： 在加载模型后，首先自定义一条模型可以处理的案例，让模型预测一下，就可以避免上述bug的出现。 具...

Question2: Logistic Regression 2.1 Logistic Regression Hypothesis Representation 2.2 Deduction Process使用Gradient Descent求J(θ)最小值时的θ更新过程如下：

Question1: Linear Regression 1.1 Linear Regression with single variable && Gradient descent for single variable 1.2 Linear Regression with multiple variables && Gradient descent for multiple variab

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

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

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。

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。

独热编码即 One-Hot Encoding，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。可以理解为对于每一个特征，如果它有m个可能值，那么经过独热编码后，就变成了m个二元特征。并且，这些特征互斥，每次只有一个激活。因此，数据会变成稀疏的。进行One-Hot Encoding的优点1：解决了分类器不好处理...

朴素贝叶斯参考[1]事件A和B同时发生的概率为在A发生的情况下发生B或者在B发生的情况下发生AP(A∩B)=P(A)∗P(B|A)=P(B)∗P(A|B)所以有：P(A|B)=P(B|A)∗P(A)P(B)对于给出的待分类项，求解在此项出现的条件下各个目标类别出现的概率，哪个最大，就认为此待分类项属于哪个类别工作原理1、假设现在有样本x=(a1,a2,a3,…an)这个待分类项(并认为x里面的特征独

回归问题的条件/前提：1） 收集的数据2） 假设的模型，即一个函数，这个函数里含有未知的参数，通过学习，可以估计出参数。然后利用这个模型去预测/分类新的数据。线性回归 假设 特征 和 结果 都满足线性。即不大于一次方。这个是针对 收集的数据而言。 收集的数据中，每一个分量，就可以看做一个特征数据。每个特征至少对应一个未知的参数。这样就形成了一个线性模型函数，向量表示形式：clip_image

构造决策树的思路如下； （1）选择属性放在根结点，为每个可能的属性值产生一个分支 （2）将样本集划分为多个子集，每个子集对应一个分支 （3）在每个分支上递归重复这个过程，仅使用真正到达这个分支的样本 （4）如果在一个节点上所有样本拥有相同的类别，即停止该部分树的扩展 构造决策树的方法如下：ID3&C4.5&CART 构建决策树的算法所用的策略：ID3(information gain)、

machineLearning(机器学习)包含supervised Learning和unsupervised Learning, 其中监督学习又包含线性回归（Regress）用来处理连续（continues）的线性问题。 分类问题（classification）主要用来处理离散的（discrete）的问题。 unsupervised Learning非监督的学习，主要包含聚类算法。 所要使

吴恩达的Note详细笔记链接：andrew Ng. lecture notes http://www.stanford.edu/class/cs229/materials.html machineLearning(机器学习)包含supervised Learning和unsupervised Learning,其中监督学习又包含线性回归（Regress）用来处理连续（continues）的线性问

machineLearning(机器学习)包含supervised Learning和unsupervised Learning,其中监督学习又包含线性回归（Regress）用来处理连续（continues）的线性问题。分类问题（classification）主要用来处理离散的（discrete）的问题。unsupervised Learning非监督的学习，主要包含聚类算法。所要