Caffe3——ImageNet数据集创建lmdb类型的数据ImageNet数据集和cifar，mnist数据集最大的不同，就是数据量特别大；单张图片尺寸大，训练样本个数多；面对如此大的数据集，在转换成lmdb文件时；使用了很多新的类型对象。1，动态扩容的数组“vector”，动态地添加新元素2，p...
分类：
数据库 时间：
2015-05-05 16:05:17
阅读次数：
4609
A geometrical view of perceptron 感知器的几何视图Weight-space 权值空间在这个空间中，每一个感知器中的权值都表示一维，而空间中的一点则代表了所有权值的特定集合，假设消除阈值，则每个训练样本都可以看做通过起点的超平面。So, points in the sp...
分类：
其他好文 时间：
2015-05-04 11:27:23
阅读次数：
177
过拟合概念：是指分类器能够百分之百的正确分类样本数据（训练集中的样本数据），对训练集以外的数据却不能够正确分类。原因：1：模型（算法）太过复杂，比如神经网络，算法太过精细复杂，规则太过严格，以至于任何与样本数据稍有不同的文档它全都认为不属于这个类别，即在训练样本中拟合的很好，在训练样本外拟合的很差....
分类：
其他好文 时间：
2015-04-19 17:41:42
阅读次数：
137
一、基本原理
存在一个样本数据集合（也称训练样本集），并且样本集中每个数据都存在标签。输入没有标签的新数据后，将新数据的每个特征与样本集中数据对应的特征进行比较，然后算法提取样本集中特征最相似数据（最近邻）的分类标签。
我们一般只选择样本集中前k（k通常是不大于20的整数）个最相似的数据，最后选择k个最相似数据中出现次数最多的分类，作为新数据的分类。
二、算法流程...
分类：
编程语言 时间：
2015-04-17 11:44:08
阅读次数：
162
机器学习的常用方法，主要分为有监督学习(supervised learning)和无监督学习(unsupervised learning)。监督学习，就是人们常说的分类，通过已有的训练样本（即已知数据以及其对应的输出）去训练得到一个最优模型（这个模型属于某个函数的集合，最优则表示在某个评价准则下是最...
分类：
其他好文 时间：
2015-04-13 09:19:05
阅读次数：
109
欠拟合与过拟合概念本次课程大纲：1、局部加权回归：线性回归的变化版本2、概率解释：另一种可能的对于线性回归的解释3、Logistic回归：基于2的一个分类算法4、感知器算法：对于3的延伸，简要讲复习：–第i个训练样本令，以参数向量为条件，对于输入x，输出为：n为特征数量定义成本函数J，定义为：m为训...
分类：
其他好文 时间：
2015-04-11 14:49:45
阅读次数：
193
样本我就用的《machine learning in action》中提供的数据样例，据说是婚恋网站上各个候选人的特征，以及当前人对这些人的喜欢程度。一共1k条数据，前900条作为训练样本，后100条作为测试样本。
数据格式如下：
46893 3.562976 0.445386 didntLike
8178 3.230482 1.331698 smallDoses
55783 3.612548...
分类：
编程语言 时间：
2015-04-11 13:17:24
阅读次数：
159
k-邻近算法概述k-邻近算法采用测量不同特征值之间的距离方法进行分类优点：精度高、对异常值不敏感、无数据输入假定缺点：计算复杂度高、空间复杂度高使用数据范围：数值型和标称型工作原理：存在一个样本数据集合（也称作训练样本集），并且样本集中每个数据都存在标签，即我们知道样本集中每一数据与所属的对应关系。...
分类：
编程语言 时间：
2015-03-16 16:11:37
阅读次数：
166
k-邻近算法概述k-邻近算法采用测量不同特征值之间的距离方法进行分类优点：精度高、对异常值不敏感、无数据输入假定缺点：计算复杂度高、空间复杂度高使用数据范围：数值型和标称型工作原理：存在一个样本数据集合（也称作训练样本集），并且样本集中每个数据都存在标签，即我们知道样本集中每一数据与所属的对应关系。...
分类：
编程语言 时间：
2015-03-12 23:50:07
阅读次数：
269
一、引言之前提到的k-近邻算法是分类数据最简单最有效的算法。k-近邻算法是基于实例的学习，使用算法时我们必须有接近实际数据的训练样本数据。而且，k-近邻数据必须保全全部数据集，如果训练数据集的很大，必须使用大量的存储空间，此外k-近邻算法必须对数据集中的每个数据计算距离，这是非常耗时的。另外，对于数...
分类：
其他好文 时间：
2015-03-12 22:13:24
阅读次数：
174
