Layer层自定义 keras允许自定义Layer层, 大大方便了一些复杂操作的实现. 也方便了一些novel结构的复用, 提高搭建模型的效率. 实现方法 通过继承keras.engine.Layer类, 重写其中的部分方法, 实现层的自定义. 主要需要实现的方法及其意义有: _ init _(se ...
分类：
其他好文 时间：
2020-05-11 12:57:15
阅读次数：
90
https://www.jb51.net/article/178934.htm 在使用深度学习对图像进行训练时，对图像进行随机旋转有助于提升模型泛化能力。然而之前在做旋转等预处理工作时，都是先对图像进行旋转后保存到本地，然后再输入模型进行训练，这样的过程会增加工作量，如果图片数量较多，生成旋转的图像 ...
分类：
其他好文 时间：
2020-05-10 19:22:20
阅读次数：
79
本学期我上了一门UML课,也就是统一建模语言(~~我之前一直区分不出XML和UML~~). 录屏也看了,另外看了 UML面向对象分析、建模与设计 这一本书,但仍然是一知半解.所以在此我回忆一下内容,进行下大致的一言以蔽式的梳理. 首先,从表征角度来看,UML图总共分为以下几种图: 类图(关联泛化实现 ...
分类：
其他好文 时间：
2020-05-07 13:42:00
阅读次数：
58
机器学习算法的优点和缺点总结 1.正则化算法（Regularization Algorithms） 它是另一种方法（通常是回归方法）的拓展，这种方法会基于模型复杂性对其进行惩罚，它喜欢相对简单能够更好的泛化的模型。 例子： 岭回归（Ridge Regression） 最小绝对收缩与选择算子（LASS ...
分类：
编程语言 时间：
2020-05-04 15:53:05
阅读次数：
97
1 泛化误差 学习方法的泛化能力(generalization ability)是指由该方法学习到的模型对未知数据的预测能力，是学习方法本质重要的性质。 泛化误差反映了学习方法的泛化能力，如果一种方法学习的模型比另一种方法学习的模型具有更小的泛化误差，那么这种方法就更有效。事实上，泛化误差就是所学习 ...
分类：
其他好文 时间：
2020-05-03 20:06:49
阅读次数：
134
XGBoost 相比于GBDT 做了两方面的优化： 一是算法本身的优化：在算法的弱学习器模型选择上，对比GBDT只支持决策树，XGBoost 还可以直接很多其他的弱学习器。 在算法的损失函数上，除了本身的损失，XGBoost 还加上了正则化部分，可以防止过拟合，泛化能力更强。 在计算方式上，GBDT... ...
分类：
编程语言 时间：
2020-05-03 17:02:08
阅读次数：
100
一、用自己的话描述出其本身的含义： 1、特征选择 特征选择就是在一大堆数据中删除相关性系数比较低对结果没什么影响的特征，从而降维优化计算程度。 减少特征具有重要的现实意义，不仅减少过拟合、减少特征数量（降维）、提高模型泛化能力，而且还可以使模型获得更好的解释性，增强对特征和特征值之间的理解，加快模型 ...
分类：
其他好文 时间：
2020-05-02 11:32:32
阅读次数：
118
一、描述出其本身的含义： 1、特征选择 特征选择对于数据科学家、机器学习从业者来说非常重要。好的特征选择能够提升模型的性能，更能帮助我们理解数据的特点、底层结构，这对进一步改善模型、算法都有着重要作用。 特征选择主要有两个功能： (1)减少特征数量、降维，使模型泛化能力更强，减少过拟合 (2)增强对 ...
分类：
其他好文 时间：
2020-05-01 13:01:36
阅读次数：
254
相关概念： 剪枝：如果有特征对决策没有很大的帮助，那么可以进行预剪枝或后剪枝操作。（对决策树减少节点的形象说法）。 不同算法信息指标： ①信息增益（ID3算法）： 简单易懂，适合大部分场景； 但是因为分割越细错分率越低，效果越好，所以存在分割太细造成对训练数据的过拟合问题，使得对测试数据的泛化效果差 ...
分类：
其他好文 时间：
2020-04-30 21:43:43
阅读次数：
81
一、用自己的话描述出其本身的含义： 1、特征选择 根据需求，选择具有价值的样本特征，即减少不必要的样本特征。 减少特征具有重要的现实意义，不仅减少过拟合、减少特征数量（降维）、提高模型泛化能力，而且还可以使模型获得更好的解释性，增强对特征和特征值之间的理解，加快模型的训练速度，一般的，还会获得更好的 ...
分类：
其他好文 时间：
2020-04-29 13:03:24
阅读次数：
302
