温瞳

机器学习中的范数规则化之（一）L0、L1与L2范数 zouxy09@qq.com转载：http://blog.youkuaiyun.com/zouxy09        今天我们聊聊机器学习中出现的非常频繁的问题：过拟合与规则化。我们先简单的来理解下常用的L0、L1、L2和核范数规则化。最后聊下规则化项参数的选择问题。这里因为篇幅比较庞大，为了不吓到大家，我...

机器学习中的范数规则化之（二）核范数与规则项参数选择zouxy09@qq.com转载：http://blog.youkuaiyun.com/zouxy09        上一篇博文，我们聊到了L0，L1和L2范数，这篇我们絮叨絮叨下核范数和规则项参数选择。知识有限，以下都是我一些浅显的看法，如果理解存在错误，希望大家不吝指正。...

1.提出问题：什么是稀疏表示 假设我们用一个M*N的矩阵表示数据集X，每一行代表一个样本，每一列代表样本的一个属性，一般而言，该矩阵是稠密的，即大多数元素不为0。 稀疏表示的含义是，寻找一个系数矩阵A（K*N）以及一个字典矩阵B（M*K），使得B*A尽可能的还原X，且A尽可能的稀疏。A便是X的稀疏表示。书上原文为（将一个大矩阵变成两个小矩阵，而达到压缩）“为普通稠密表达的样本找到合适...

转载：https://towardsdatascience.com/a-very-friendly-introduction-to-confidence-intervals-9add126e714机器学习本质上是对条件概率或概率分布的估计，而这样的估计到底有多少是置信度？这里就涉及到统计学里面的置信区间与置信度，本文简要介绍了置信区间这一核心概念，它有助于我们从直观上理解评价估计优劣的度量方法...