LEEANG121的博客

机器学习中的大数定律到底在弄啥嘞前言大数定律生活中的预言家们小数定律的骗局大数定律的含义中心极限定理概率故事-捉羊问题前言大数定律也是伯努利定律，是历史上第一个极限定律。所谓大数定律的关键在于数量要大，当随机试验大量的重复进行时，通常会呈现某些几乎是必然会发生的现象，这就是所谓的大数定律。而现实生活中往往很多人却被小数定律所误导，产生了各种各种的迷信思想。本章将就何为大数定律以及生活中的小数定律误导人们的现象做一个简单的阐述，本章主要内容如下：l 大数定律的概念及生活中有哪些‘小数’定律l 中心

Tensorflow安装教程详解（图文详解，深度好文）前言安装前的准备工作关于python关于Anaconda开始使用Tensorflow系统内配置Anaconda使用路径Anaconda Navigator内设置路径后记前言本篇内容节选自本人即将出版的新书《机器学习中的概率与统计》，欢迎各路大神前来交流指导！工欲善其事必先利其器，本书前面章节介绍了机器学习中常用的一些概率基本知识，那么如何将他们运用到机器学习的领域呢？显然是需要一个学习框架的，这里推荐使用tensorflow框架实现前面说到的各种

一文解决机器学习中的过拟合与欠拟合问题(正则化，数据增强，Dropout，提前终止）生活中的过拟合与欠拟合现象过拟合与欠拟合的概念解决过拟合与欠拟合问题的四大金刚正则化数据增强Dropout提前终止训练机器学习的核心任务就是‘使用算法模型解析数据，从中学习，然后对世界上的某件事情作出决定或者预测’。对机器学习的模型来说，最糟糕的情况就是训练的模型不适用。通常造成训练模型不适用的原因有过拟合或者欠拟合，本文将就过拟合与欠拟合的概念及如何解决过拟合与欠拟合进行一个简单的介绍。生活中的过拟合与欠拟合现象现实

深度学习中的正则化：你必须了解的一些基本概念机器学习中的一个核心问题是设计不仅在训练数据上表现好，而且能在新输入上泛化好的算法。在机器学习中，许多策略被显示地设计来减少测试误差（可能会以增大训练误差为代价）。这些策略被统称为正则化。本文主要根据作者在研究正则化过程中遇到的一些概念性问题进行了一遍梳理。问题一：什么是正则化就像开头文章叙述的那样，正则化是一种策略，目的就是减少模型的泛化误差。...

简单的说一说SVM本文仅对SVM做一个简单肤浅的介绍，并且推荐一些写的还不错的博客链接。写这篇文章的目的相当于给自己做一个知识储备，等哪天需要的时候，找相关资源也方便一些。如果凑巧还能给和我一样暂时只是想简单了解SVM的读者提供一些小小的帮助，本人深感荣幸。本文拟介绍这么几个点：1SVM算法的基本原理2拉格朗日乘子和KKT条件3线性可分SVM算法4软间隔SVM算法5非线性可分SVM算...

带你了解集成学习

机器学习之KNN（k近邻）算法详解

机器学习：如何处理决策树中的连续值与缺失值

数据增强数据增强的原理在深度学习中，一般要求样本的数量要充足，样本数量越多，训练出来的模型效果越好，模型的泛化能力越强。但是实际中，样本数量不足或者样本质量不够好，这就要对样本做数据增强，来提高样本质量。https://www.cnblogs.com/ziyan09/p/10412682.htmlhttp://baijiahao.baidu.com/s?id=159977508848202...

参数初始化的意义为什么要初始化？为什么要初始化？查了很多文献，关于初始化的目的，网上基本都是一带而过。这里根据不同的文献做一个简单的归纳：深度学习的初始化参数指的是在网络训练之前，对各个节点的权重和偏置进行初始化的过程，很多时候我们以为这个初始化是无关紧要的，不需要什么讲究，但是实际上，一个参数的初始化关系到网络能否训练出好的结果或者是以多快的速度收敛，这都是至关重要的，有时候因为参数初始化...

这是我见过讲解最详细最通俗易懂的决策树（二）增益率我们在上一篇博文里面介绍了决策树的概念，讲到了什么是决策树，讲到了如何划分选择、讲到了何为信息增益等。今天我们继续之前的话题，首先讲解一下增益率。如果您对上一篇博客的内容有所遗忘，请点击下面的连接这是我见过讲解最详细最通俗易懂的决策树（一）增益率废话不多说，我们先把数据集拿出来。在之前介绍信息增益的时候，我们并没有考虑过这个数据集中的...

深入了解决策树基本流程基本流程我们在这篇文章没有公式，我们只谈决策树里面跟大家简单的介绍了决策树是个啥东西。今天我们将深入的介绍一下决策树。首先决策树是一类常见的机器学习方法，以二分类任务为例。我们希望从给定的数据集中学习一个模型用来对新的示例进行分类。如下图所示：图片图片图片这是一个我们选择西瓜时，判断该瓜是否为好瓜的决策过程。那么什么是决策？决策就是我们判断西瓜是不是好西瓜...