一、Zero Shot learning ? 在传统的分类模型中，为了解决多分类问题（例如三个类别：猫、狗和猪），就需要提供大量的猫、狗和猪的图片用以模型训练，然后给定一张新的图片，就能判定属于猫、狗或猪的其中哪一类。但是对于之前训练图片未出现的类别（例如牛），这个模型便无法将牛识别出来，而ZSL就 ...
分类：
其他好文 时间：
2018-07-07 17:34:10
阅读次数：
1018
7.1过拟合的问题 训练集表现良好，测试集表现差。鲁棒性差。以下是两个例子（一个是回归问题，一个是分类问题） 解决办法： （1）丢弃一些不能帮助我们正确预测的特征。可以使用工选择保留哪些特征，或者使用一些模型选择的算法来帮忙（PCA）； （2）正则化。保留素有的特征，但是减少参数的大小。 7.2代价 ...
分类：
其他好文 时间：
2018-07-02 00:03:49
阅读次数：
105
6.1分类问题 回归问题的输出可能是很大的数，而在分类问题中，比如二分类，希望输出的值是0或1，如何将回归输出的值转换成分类的输出0,1成为关键。 6.2假说表示 其中： hθ（x）的作用是，对于给定的输入变量，根据选择的参数计算输出变量=1的可能性即hθ（x）=P(y=1|x;θ)。 6.3判定边 ...
分类：
其他好文 时间：
2018-07-01 23:07:30
阅读次数：
273
损失函数是机器学习中常用于优化模型的目标函数，无论是在分类问题，还是回归问题，都是通过损失函数最小化来求得我们的学习模型的。损失函数分为经验风险损失函数和结构风险损失函数。经验风险损失函数是指预测结果和实际结果的差别，结构风险损失函数是指经验风险损失函数加上正则项。通常表示为： θ*是我们通过损失函 ...
分类：
其他好文 时间：
2018-07-01 20:59:46
阅读次数：
244
更多风控建模、大数据分析等内容请关注公众号《大数据风控的一点一滴》 在分类问题中常常遇到一个比较头疼的问题，即目标变量的类别存在较大偏差的非平衡问题。这样会导致预测结果偏向多类别，因为多类别在损失函数中所占权重更大，偏向多类别可以使损失函数更小。 处理非平衡问题一般有两种方法，欠抽样和过抽样。欠抽样 ...
分类：
其他好文 时间：
2018-07-01 20:25:55
阅读次数：
184
**更多风控建模、大数据分析等内容请关注公众号《大数据风控的一点一滴》在分类问题中常常遇到一个比较头疼的问题，即目标变量的类别存在较大偏差的非平衡问题。这样会导致预测结果偏向多类别，因为多类别在损失函数中所占权重更大，偏向多类别可以使损失函数更小。处理非平衡问题一般有两种方法，欠抽样和过抽样。欠抽样方法可以生成更简洁的平衡数据集，并减少了学习成本。但是它也带来了一些问题，它会删掉一些有用的样本，尤
分类：
其他好文 时间：
2018-07-01 20:24:39
阅读次数：
165
tensorflow的学习：多分类问题 + tensorboard模型可视化 ...
分类：
其他好文 时间：
2018-06-30 16:17:44
阅读次数：
360
1 线性回归算法 http://www.cnblogs.com/wangxin37/p/8297988.html 回归一词指的是，我们根据之前的数据预测出一个准确的输出值，对于这个例子就是价格，同时，还有另一种最常见的监督学习方式，叫做分类问题，当我们想要预测离散的输出值，例如，我们正在寻找癌症肿瘤 ...
分类：
编程语言 时间：
2018-06-27 11:27:27
阅读次数：
161
由单个神经元组成的单层感知器只能用来解决线性可分的二分类问题。将其用于二分类时，就相当于在高维样本空间中，用一个超平面将样本分开。 单层感知器由一个线性组合器和一个二值阈值元件组成。输入向量各分量先与权值相乘，然后在线性组合器中进行叠加，得到的结果是一个标量。线性组合器的输出是阈值元件的输出，实际上 ...
分类：
其他好文 时间：
2018-06-24 21:05:27
阅读次数：
256
1.mimic+refindet 之前的mimic网络主要做分类问题，将小网络的输出 - 大网络的输出然后l2-loss开平方来让小网络学习（这个输出究竟是softmax的输出还是就是最后一层）。检测直接套用这种方式还没有直接finetune的效好。因为score和location都是来自featu ...
分类：
其他好文 时间：
2018-06-23 19:19:06
阅读次数：
134
