<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Hiappsus的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Hiappsus</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Hiappsus]]></copyright><item><title><![CDATA[sklearn.preprocessing]]></title><link>https://blog.youkuaiyun.com/Hiappsus/article/details/89333631</link><guid>https://blog.youkuaiyun.com/Hiappsus/article/details/89333631</guid><author>Hiappsus</author><pubDate>Thu, 18 Apr 2019 08:04:04 +0800</pubDate><description><![CDATA[sklearn中提供了数据预处理的模块，该模块包括了scaling（缩放），centering（中心化），normalization（归一化），binarization（二值化）和imputation（缺失值填补）操作。
实际上metric-based和gradient-based模型都假设输入的特征是标准正态分布的。而决策树是一个例外，它能接受任意scale的数据。sklearn提供的例子，比较...]]></description><category></category></item><item><title><![CDATA[sklearn.model_selection]]></title><link>https://blog.youkuaiyun.com/Hiappsus/article/details/89288213</link><guid>https://blog.youkuaiyun.com/Hiappsus/article/details/89288213</guid><author>Hiappsus</author><pubDate>Mon, 15 Apr 2019 09:44:42 +0800</pubDate><description><![CDATA[该模块一共讲述了三部分的内容，交叉验证：评估模型，微调模型的超参数以及学习曲线
可用的API有拆分策略，参数优化的方法以及模型评估
拆分策略
对于独立同分布(i.i.d)的数据




函数名
作用
重要参数
方法
备注




KFold([n_splits,shuffle,…])
k折交叉验证
n_splits:多少折；shuffle:是否打乱数据；random_state：随机种子
get_...]]></description><category></category></item><item><title><![CDATA[sklearn中的Logistic Regression]]></title><link>https://blog.youkuaiyun.com/Hiappsus/article/details/88992172</link><guid>https://blog.youkuaiyun.com/Hiappsus/article/details/88992172</guid><author>Hiappsus</author><pubDate>Wed, 03 Apr 2019 12:06:59 +0800</pubDate><description><![CDATA[Logistic regression,这名字听上去像一种回归算法，但实际上它更像一种分类算法。Logistic回归函数也被称为对数几率函数，最大熵模型（真的吗？）。
在 sklearn 中，逻辑斯特回归函数来自于Logistic Regression这个类，适用于拟合0-1类，多分类（OvR），多项逻辑斯特回归（即y的值是多项的，可以是（0,1,2)），可用L1和L2正则项来优化模型。
在优化问...]]></description><category></category></item><item><title><![CDATA[机器学习中L1,L2范数的理解]]></title><link>https://blog.youkuaiyun.com/Hiappsus/article/details/88919312</link><guid>https://blog.youkuaiyun.com/Hiappsus/article/details/88919312</guid><author>Hiappsus</author><pubDate>Sat, 30 Mar 2019 21:44:48 +0800</pubDate><description><![CDATA[在机器学习中，为了减缓过拟合现象，常在损失函数后添加一个正则项，常见的是L1正则项和L2正则项，也称L1和L2范数。
简介
在介绍公式前，我们先来讲讲添加正则项的本质，通常情况中认为如果系数小的话，模型比较简单，能适应更多的模型，从而减少过拟合现象。而如果系数一旦很大的话，那么数据只要偏移一点点，那么结果就会差很多；与此同时，如果系数比较小的话，数据偏移一些几乎不会对结果有什么影响。所以，添加正则...]]></description><category></category></item><item><title><![CDATA[深度学习实践]]></title><link>https://blog.youkuaiyun.com/Hiappsus/article/details/88850944</link><guid>https://blog.youkuaiyun.com/Hiappsus/article/details/88850944</guid><author>Hiappsus</author><pubDate>Fri, 29 Mar 2019 17:30:05 +0800</pubDate><description><![CDATA[深度学习实践简易指南
本文的知识的起点是《一天搞懂深度学习》，视频地址。视频的入门起点很低，笔者根据该视频以及自身的已有的知识，总结了一下该视频中出现的，我认为比较重要的知识点，并且做出适当的延伸。一些比较基础的知识点，例如卷积层的运算，梯度下降的运算法则等，将不再赘述。本文中不会出现过多的数学解释，全文以实践为目的。
目录
1. 在训练集上效果不佳时，可采取的措施
· 选择合适的损失函数
· m...]]></description><category></category></item><item><title><![CDATA[Python绘制双动态散点图并保存]]></title><link>https://blog.youkuaiyun.com/Hiappsus/article/details/88820490</link><guid>https://blog.youkuaiyun.com/Hiappsus/article/details/88820490</guid><author>Hiappsus</author><pubDate>Tue, 26 Mar 2019 15:01:35 +0800</pubDate><description><![CDATA[例程：


import matplotlib.pyplot as plt
import matplotlib.animation as animation
import random

fig, ax = plt.subplots()
line,=ax.plot([],[],marker='o',markeredgewidth=9)
line_1,=ax.plot([],[],marker='o...]]></description><category></category></item></channel></rss>