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
