链接 [http://poj.org/problem?id=1050] 题意 给你一个矩阵，让你求子矩阵中的元素之和最大 分析 其实跟最大和子序列一样只不过维数增加了，你只需要降维就好了 代码 include include using namespace std; define ll long l ...
分类：
其他好文 时间：
2018-10-05 16:07:35
阅读次数：
166
1*1卷积的主要作用有以下几点： 1、降维（ dimension reductionality ）。比如，一张500 * 500且厚度depth为100 的图片在20个filter上做1*1的卷积，那么结果的大小为500*500*20。 2、加入非线性。卷积层之后经过激励层，1*1的卷积在前一层的学 ...
分类：
其他好文 时间：
2018-10-04 17:49:41
阅读次数：
231
单调队列定义： 其实单调队列就是一种队列内的元素有单调性的队列，因为其单调性所以经常会被用来维护区间最值或者降低DP的维数已达到降维来减少空间及时间的目的。 单调队列的一般应用： 1.维护区间最值 2.优化DP 例题引入： https://www.luogu.org/problemnew/show/ ...
分类：
其他好文 时间：
2018-10-04 13:46:29
阅读次数：
189
PCA（Principal Component Analysis）是一种常用的数据分析方法。PCA通过线性变换将原始数据变换为一组各维度线性无关的表示，可用于提取数据的主要特征分量，常用于高维数据的降维。网上关于PCA的文章有很多，但是大多数只描述了PCA的分析过程，而没有讲述其中的原理。这篇文章的 ...
分类：
其他好文 时间：
2018-10-04 09:00:38
阅读次数：
125
LDA算法的主要优点有： 在降维过程中可以使用类别的先验知识经验，而像PCA这样的无监督学习则无法使用类别先验知识。 LDA在样本分类信息依赖均值而不是方差的时候，比PCA之类的算法较优。 LDA算法的主要缺点有： LDA不适合对非高斯分布样本进行降维，PCA也有这个问题。 LDA降维最多降到类别数 ...
分类：
其他好文 时间：
2018-10-02 17:50:31
阅读次数：
306
机器学习的定义： 让机器代替人，实现人的工作。 现有的机器学习分类： （1）监督学习 > 分类问题 （2）半监督学习 > 聚类问题 （3）非监督学习 > 聚类问题 （4）强化学习 > 降维 归纳： 主要可分为：分类、回归/预测、聚类和维度下降。 机器学习“六步走”： a.收集数据； b.准备数据 c ...
分类：
其他好文 时间：
2018-09-25 17:26:11
阅读次数：
175
PCA主成分分析算法，是一种线性降维，将高维坐标系映射到低维坐标系中。 如何选择低维坐标系呢？ 通过协方差矩阵的特征值和特征向量，特征向量代表坐标系，特征值代表映射到新坐标的长度。 算法步骤： 输入：样本集D={x1,x2,...,xm}； 低维空间维数k 第一步：将样本集中心化。每一列的特征值减去 ...
分类：
编程语言 时间：
2018-09-21 18:27:36
阅读次数：
224
A cellular automaton is a collection of cells on a grid of specified shape that evolves through a number of discrete time steps according to a set of ...
分类：
其他好文 时间：
2018-09-18 17:16:10
阅读次数：
234
1*1的卷积核在NIN、Googlenet中被广泛使用，但其到底有什么作用也是一直困扰的问题，这里总结和归纳下在网上查到的自认为很合理的一些答案，包括1）跨通道的特征整合2）特征通道的升维和降维 3）减少卷积核参数（简化模型） 1 - 引入 在我学习吴恩达老师Deeplearning.ai深度学习课 ...
分类：
其他好文 时间：
2018-09-18 00:28:07
阅读次数：
193
1. PCA优缺点 利用PCA达到降维目的，避免高维灾难。 PCA把所有样本当作一个整体处理，忽略了类别属性，所以其丢掉的某些属性可能正好包含了重要的分类信息 2. PCA原理 条件1：给定一个m*n的数据矩阵D， 其协方差矩阵为S. 如果D经过预处理， 使得每个每个属性的均值均为0， 则有S=DT ...
分类：
编程语言 时间：
2018-09-12 13:54:53
阅读次数：
605
