分类：针对离散型数据 回归：针对连续型数据 代价函数就是目标函数和实际训练集的误差 平方误差代价函数可能是解决回归问题最常用的手段。 https://study.163.com/course/courseLearn.htm?courseId=1004570029#/learn/video?lesso ...
分类：
其他好文 时间：
2019-03-04 19:09:14
阅读次数：
138
开始学习机器学习的基础知识了，下面是我在看书过程中，整理的一些重点。看的书是《机器学习实战》。 系统用来学习的这些示例，我们称之为训练集。每一个训练示例称为训练实例或者是训练样本。 机器学习与数据挖掘的关系： 应用机器学习技术来挖掘海量数据。 机器学习系统的种类： 是否在人类监督下训练（监督式学习、 ...
分类：
其他好文 时间：
2019-03-04 17:27:51
阅读次数：
148
1.迁移学习 比如要训练一个放射科图片识别系统，但是图片非常少，那么可以先在有大量其他图片的训练集上进行训练，比如猫狗植物等的图片，这样训练好模型之后就可以转移到放射科图片上，模型已经从其他图片中学习到了低层的特征，可能会对当前训练系统产生帮助。但要保证其他图片的量很多。 对迁移的模型只要修改输出层 ...
分类：
其他好文 时间：
2019-03-04 12:51:49
阅读次数：
179
一.经验误差和过拟合 错误率 E=a/m, a分类错误的样本数，m样本总数 精度 = 1 - E。 学习器在训练集上的误差：训练误差；在新样本上的误差：泛化误差。好的学习器应在新样本上表现优秀，因此学习器应尽可能掌握样本的潜在规律，提升泛化性能。 过拟合：学习能力过于强大，样本训练时将样本“自身特点 ...
分类：
其他好文 时间：
2019-03-04 12:42:26
阅读次数：
190
今天在制作自己训练集合并且训练的时候，碰见了如下的错: 这是因为训练的数据集中不是所有的图片位深都是三通道的。 写一个脚本查看所有的数据集中所有的数据，列举出不是RGB的图片： 然后删除这些图片，可以重新找一些图片添加到训练集中。 这里需要特别注意的一点是不是所有的 文件都是三通道的。 ...
分类：
其他好文 时间：
2019-02-27 23:22:16
阅读次数：
269
GBDT和XgBoost的区别 首先，GBDT来自于融合模型中的Boosting算法，Boosting算法的原理是先从初始训练集训练出一个基学习器，再根据基学习器的表现对训练样本分布进行调整，提高训练数据集中判断错误的样本权重，降低判断正确的权重，使得先前基学习器做错的样本在后续能得到更多关注，然后... ...
分类：
其他好文 时间：
2019-02-22 23:22:02
阅读次数：
213
这里，我们介绍的是一个猫狗图像识别的一个任务。数据可以从kaggle网站上下载。其中包含了25000张毛和狗的图像（每个类别各12500张）。在小样本中进行尝试我们下面先尝试在一个小数据上进行训练，首先创建三个子集：每个类别各1000个样本的训练集、每个类别各500个样本的验证集和每个类别各500个 ...
分类：
其他好文 时间：
2019-02-21 16:09:57
阅读次数：
197
Evernote Export 比赛题目介绍 facebook想要准确的知道用户登录的地点，从而可以为用户提供更准确的服务 为了比赛，facebook创建了一个虚拟世界地图，地图面积为100km2，其中包含了超过1000000个地点 通过给定的坐标，以及坐标准确性，判断用户登录地点 训练集和测试集是 ...
分类：
其他好文 时间：
2019-02-20 11:30:18
阅读次数：
374
1. 聚类(Clustering) 1.1 无监督学习: 简介 在一个典型的监督学习中，我们有一个有标签的训练集，我们的目标是找到能够区分正样本和负样本的决策边界，在这里的监督学习中，我们有一系列标签，我们需要据此拟合一个假设函数。与此不同的是，在非监督学习中，我们的数据没有附带任何标签，我们拿到的 ...
分类：
其他好文 时间：
2019-02-08 14:27:34
阅读次数：
182
第一周 1.2 正交化 正交化：每一个维度只控制一个功能。 对于监督学习：1，在训练集上，达到评估的可接受效果；2，在验证集上有好的效果；3.在测试集有好的效果；4，系统在实际使用上表现得好。 在这四个部分，会有不同的独立按钮来控制实现更好的功能：1,训练集效果不好：增大神经网络，优化算法；2.在验 ...
分类：
其他好文 时间：
2019-02-07 18:56:39
阅读次数：
184
