机器学习
文章平均质量分 82
Townjj
这个作者很懒,什么都没留下…
展开
-
pytorch常用函数
1.unsqueeze()、unsqueeze_()torch.unsqueeze(input,dim)→ Tensor增加新维度dim,新维度的长度为1.import torchx = torch.Tensor([[[1.0],[2.0],[3.0]],[[7.0],[9.0],[10.0]]])print(x.dim(),x.size()) print(x.unsqueeze(1).dim(),x.unsqueeze(1).size())x.unsqueeze(1)p..翻译 2021-08-08 10:33:29 · 551 阅读 · 0 评论 -
Chapter 11 特征选择和稀疏学习
Chapter 11 特征选择和稀疏学习1 子集搜索与评价一个样本通常有多个属性,如西瓜有色泽,根蒂,颜色等。将属性称之为特征,对一个学习任务而言,有用的特征称之为“相关特征”(relevant feature),用处不大的特征称之为“无关特征”(irrelevant feature)。在特征集合中选出相关特征子集的过程称之为特征选择。特征选择不仅可以解决维数灾难,亦可以降低学习任务的难度。子集搜索(subset search)子集搜索分为前向(forward)搜索,后向(backward)搜索和原创 2021-07-01 12:11:05 · 196 阅读 · 0 评论 -
Chapter 10 降维与度量学习
Chapter 10 降维与度量学习10.1 k 临近学习k 邻近(k-Nearest Neighbor,kNN)学习是常见的监督学习方法,给定测试样本,基于某种距离度量找到与测试样本最靠近的k个邻居,在分类任务中基于k个邻居的类别标记使用“投票法”输出测试样本的类别标记预测,在回归任务中使用“平均法”基于k个邻居的实值输出平均值作为测试样本的预测。k临近学习基于一个重要假设:任意测试样本 xxx 附近任意小的 $\delta $ 距离范围内总能找到一个训练样本,即训练样本需要进行较大的采样密度(密采原创 2021-07-01 12:10:44 · 135 阅读 · 0 评论 -
Chapter 9 Clustering 聚类
Chapter 9 Clustering9.1 聚类任务聚类(clustering)是一种研究多、应用广的一种无监督学习(unsupervised learning)算法。将数据集中的样本划分为若干不相交子集,每个子集亦称为‘簇’(cluster)。样本集含有m个n维的无标记样本:D={x1,x2,...,xm}D=\left\{ \boldsymbol{x}_1,\boldsymbol{x}_{2},...,\boldsymbol{x}_m \right\}D={x1,x2,...,xm}原创 2021-07-01 12:09:59 · 228 阅读 · 0 评论 -
最优化笔记
Optimization 最优化引言在机器学习中,通常构造出一个带有约束条件的目标函数进行优化,学习最优化方法有助于机器学习算法。本章节借助天津大学网课(https://www.xuetangx.com/course/ecust13051002148/4231479?channel=learn_title)对部分最优化方法归纳总结。学习时间:2021/06/21-2021/06/26文章结构:文章目录Optimization 最优化引言1 概念最优化线性/非线性规划目标函数等值线可行域梯度原创 2021-06-26 15:54:42 · 1386 阅读 · 0 评论