Li_yi_chao的博客

上篇提到深度学习中对隐层的分析，隐层分析需要进行大量神经元节点的分析，且只能分析到的神经元是否有意义，却无法进行优化改造。这篇我们分享一种新的思路，关注双模型的不一致性解释。想象这样的场景，当医生看过影像后跟患者说因为balabala，诊断为癌症时，其实医生说的话患者基本也听不懂，但患者不会因此认为医生诊断是错的。同理一个模型所给的结果，人们没办法理解它，但不代表模型是错的。诚然，我们给可解释是为了避免模型的“错误决策”，但似乎也没必要完全地让复杂模型向着人们所能理解的方向靠拢，就好像非要让拉低医生跟患

深度学习中的可解释性方法，前接常规机器学习的可解释性方法。隐层分析法 模拟模型方法 注意力机制 分段线性函数下的神经网络(Piecewise Linear Neural Networks, PLNN)1、隐层分析法，通过关注某些神经元节点对结果的影响程度或关联关系，对隐层进行解释。 比如卷积神经网络的基础上，引入反卷积神经网络，即利用卷积层中卷积核的转置来进行反卷积，并可视化出每个网络层学习到的特征2、模拟模型方法，利用模型压缩的方法，通过构造一个简易...

前言: 搜索这个话题的壮士，一定是想寻找一种更适合自己模型可解释的方法，提升模型的可信和透明度，帮助于模型优化改进或者模型识别和防止偏差等等。故这里不再把时间浪费在什么是可解释这样的问题上。笔者把目前的解释性方法汇总在下面，并持续更新。总的来说：常规的模型解释的核心思路：想办法使用一系列可解释的模型对复杂模型做解释，可解释的模型比如线性回归、逻辑回归、决策树等三个层面：算法透明度——模型细节、全局可解释——全局输出、局部可解释——具体样本预测以下我们分三部分：传统的机器学习的可解释性方.

瞎搞！！！上来就第一步啥，第二部啥的，你跟着弄半天最后发现都白忙活。你要做的是先了解你的电脑和配置情况！因为整个安装过程唯一问题是所有的东西的版本是否全都统一。1、显卡部分：了解你的驱动版本、支持的CUDA版本（为统一版本做准备） 方法：鼠标右键—>NVIDIA控制面板—>组件 （查看的是支持的版本，不是已安装的版本，所以cmd输入nvcc -V是在扯淡） 说明：支持的CUDA版本是最高版本，可向下兼容（不是上来看到这里是什么版本就直接下载）...

在 Kaggle 平台上，能够接触到各行各业的问题，开阔视野。在公共数据集上和国际高手切磋，也能够学习到一些比较实用的招数。比赛和研究的区别，是比赛中的方法一般都是比较有效的，在这个过程中也可以不断优化自己对新问题的解决思路。一、问题眼花缭乱，但万变不离套路在比赛中，有广告、交通、金融、教育、医疗等各式各样的问题，例如根据实际业务，做各种各样预测的问题（预测销量、点击率、推荐排序等）。在k...

无论是数据分析还是软件开发，总是会被数据类型这个‘磨人的小妖精’搞得烦躁不堪。数据分析师最清楚这是多么痛的领悟！！！ 一般情况下的数据类型、类型转换还好，这里不多赘述，文章最好给出两张汇总表，你可以收入囊中。这里总结下会让你爆炸的几个坑，以及一些免于记忆的操作技巧。1、None 和 Nan 1）数据类型 None是一个python...

一个很隐晦的问题在回归，分类，聚类等机器学习算法中，特征之间距离的计算或相似度的计算是非常重要的，而我们常用的距离或相似度的计算都是在欧式空间的相似度计算，计算余弦相似性，基于的就是欧式空间，所以往往默认数据数据是连续的（可以计算距离？），并且是有序的。但是有时用数字表示的数据并不是有序的，而是随机分配的。举个例子：有一个离散型特征，代表工作类型，该离散型特征，共有三个取值...

机器学习初学者常常会将拿来的数据，直接喂入算法训练，不得不说，再进一步深入研究中，数据标准化是他们不得不搞清楚的难题。什么是数据标准化，标准化的作用是啥，什么情况下应该对应什么方法尼？一、关于什么标准化，这里就不阐述了，帖子太多了。我需要说明的是，数据标准化和归一化其实是一回事，只是归一化常为将数据转换到（0-1）之间，标准化则不一定。二、数据标准化：四作用一缺点（注意：不同方...

matplotlib总结4种线性 ： - 实线 --虚线 -.点划线 ：点线23种点形状："."point","pixel"o"circle"v"triangle_down"^"triangle_up"<"triangle_left">"triangle_right"1"tri_down"2"tri_up"3"tri_left"4"tri_right"8"octagon...