- 博客(55)
- 收藏
- 关注
RSS订阅原创 数据创建与数据管理
CROWDLAB 估计基于这样的直觉：对于由少数标注者打标签的样本，我们应该更多地依赖分类器的预测，而对于由许多标注者打标签的样本，则应较少依赖分类器的预测（对于许多标注者的样本，简单的Major Vote已经提供了良好的置信度度量）。其中一种评估模型是否在偏颇的数据上训练的方法是在应用模型的时候，把一个具有代表性的数据集拿出来作为验证集。--时间/地点偏颇（比如训练集是在过去收集的，将来的数据可能会分布改变，或者从一个国家收集数据训练出的模型应用到全世界）2.好的标注者和坏的标注者对估计的影响一样。
2023-10-26 18:38:26
218
1原创 机器学习中的小波变换
这是一个学习总结。原文链接：A guide for using the Wavelet Transform in Machine Learning – ML Fundamentals¢傅里叶变换只适合频谱是静态的情况。也就是说信号中的频率不是随着时间变化的；如果一个信号中含有一个xHz的频率，这个频率会均匀地出现在信号的任何地方。¢生活中的信号多数是非静态的¢所以使用小波变换会更好从傅里叶变换到小波变换---------------------------------------
2021-12-24 18:47:14
3237
原创 信号处理技术在机器学习中的应用（三）
这是一个学习总结。原文连接：Machine Learning with Signal Processing Techniques – ML Fundamentals3.统计参数估计与特征提取¢FFT、PSD、自相关函数都是用来计算信号的特征¢这些函数把信号从时域转换到频域，并且给出频谱¢信号转换到频域后，利用频域的特征作为训练数据集，就可以使用一些标准的分类器去分类，例如Random Forest, Logistic Regression, Gradient Boosting or
2021-12-24 17:05:37
2424
原创 信号处理技术在机器学习中的应用（二）
这是一个学习总结。原文链接：Machine Learning with Signal Processing Techniques – ML Fundamentals2.时域和频域之间的转换¢傅里叶变换把信号中的不同周期的组成部分分离出来¢傅里叶变换可以告诉我们一个信号的每个具有周期的组成部分的频率¢例如，如果你测量自己的心率，假设是60次/分钟，那么心跳的的周期是1s，则频率是1Hz。与此同时，你每两秒动一下你的手指头，你的手传出来的信号的频率则是0.5Hz。在你手臂上的电极测量了的
2021-12-24 14:22:28
1222
原创 信号处理技术在机器学习中的应用（一）
这是一个学习总结。原文连接：ataspinar.com/2018/04/04/machine-learning-with-signal-processing-techniques/1、信号基础时间序列 V.S. 信号¢时间序列的值是时间的函数y=y(t)¢信号比时间序列的概念更广泛，不一定是时间的函数，可以是空间坐标的函数y=y(x,y),可以是光源距离的函数y=y(r)¢信号的各种形式：音频信号、图片、视频信号、地震信号、声纳信号、雷达信号、医学信号（心电图、脑电波¢一
2021-12-24 13:20:56
1689
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人