梳理了一下统计学习三大要素,以及泛化误差上界定理,简单摘抄了一些证明。这篇理解部分比较多,由于需要一些泛函知识,所以并没有深入的去探索。 ...
分类:
其他好文 时间:
2020-03-25 23:09:41
阅读次数:
69
一、UML中的六大关系 在UML类图中,常见的有以下几种关系: 泛化(Generalization), 实现(Realization),关联(Association),聚合(Aggregation),组合(Composition),依赖(Dependency)。 1.1、 继承关系—泛化(Gener ...
分类:
其他好文 时间:
2020-03-23 15:07:29
阅读次数:
63
正则化 --在原有损失函数的基础上加上一个正则化项 通常用到的有均方根误差rmse和平均绝对误差mae 通过限制参数过多或者过大,避免模型更加复杂,简单来说就是降低模型的泛化错误率,避免模型过拟合 L1与L2的区别 L1可以实现让参数矩阵稀疏, 且L1正则化的损失函数不不是连续可导的, L2也称岭回 ...
分类:
其他好文 时间:
2020-03-20 17:05:12
阅读次数:
74
类:[可见性] 属性名:类型[=默认值] 注意:“可见性”表示该属性对类外的元素是否可见, 包括公有(Public)、私有(Private)、受保护(Protected)和朋友(Friendly)4 种,在类图中分别用符号+、-、#、~表示。 接口: 类关系由强到弱:泛化(继承) = 实现 > 组合 ...
分类:
其他好文 时间:
2020-03-17 19:10:18
阅读次数:
52
IfcCivilElement是土木工程中所有元素的泛化。它特别包括典型线性施工工程的所有实例,如路段、桥梁段、路面等。根据施工项目的上下文,包括的建筑工程,如建筑物或工厂,表示为IfcBuildingElement的配电系统的集合,例如管道或排水系统,表示为IfcDistributionEleme ...
分类:
其他好文 时间:
2020-03-14 12:38:53
阅读次数:
61
模型压缩相关 [github code] 本文研究对BERT的剪枝。结论:BERT可以在预训练时进行一次修剪,而不是在不影响性能的情况下对每个任务进行单独修剪。 针对不同水平的修剪: 低水平的修剪(30-40%)根本不会增加训练前的损失或影响下游任务的转移。中等水平的修剪会增加训练前的损失,并阻止有 ...
分类:
其他好文 时间:
2020-03-13 18:58:15
阅读次数:
49
CNN 生成的图像与真实图像很难分辨吗?来自 Adobe 和加州伯克利的研究者发现,仅仅在一种 CNN 生成的图像上进行训练的分类器,也可以检测许多其他模型生成的结果。或许,GAN 和 Deepfake 在「瞒天过海」上也不是万能的。 近来,诸如生成对抗网络(GAN)的深度图像生成技术快速发展,引发 ...
分类:
其他好文 时间:
2020-03-13 14:44:08
阅读次数:
109
建筑构件包括主要是建筑结构一部分的所有构件,即其结构和空间分隔系统。建筑元素都是物质存在和有形的东西 注:ISO 6707-1的定义: 建筑物的主要功能部分,例如地基、楼板、屋顶、墙壁。 此IfcBuildingElement是参与建筑系统的所有元素的泛化。IfcBuildingElement的典型 ...
分类:
其他好文 时间:
2020-03-12 20:26:52
阅读次数:
166
对于新建的模型,如何评价其好坏,以及自身的泛化能力,是机器学习中一个关键性问题。对于二分类模型,因原始数据可能是非平衡的,因此仅通过最后的预测准确率并不能评价模型的效果,对于机器学习中的分类与回归两大类模型,需采用不同的模型评价指标。 一?分类模型 1.混淆矩阵及F1分数 混淆矩阵(confusio ...
分类:
其他好文 时间:
2020-03-09 00:46:58
阅读次数:
156
2.1 经验误差与过拟合 错误率:错分样本的占比 精度:分对样本的占比,与错误率是互补的。 误差:样本真实输出与预测输出之间的差异。学习器在训练集上的误差称为训练误差或经验误差,在新样本上的误差称为泛化误差。 由于事先并不知道新样本的特征,我们只能努力使经验误差最小化; 很多时候虽然能在训练集上做到 ...
分类:
其他好文 时间:
2020-03-05 01:17:02
阅读次数:
111