weixin_39915444的博客

Focal Loss实现

GRU实现

【从零开始学机器学习12】MSE、RMSE、R2_score_wade1203的博客-优快云博客R2可以用来评价模型，如果R2<0,你这模型就没用。。。。。

Apriori算法原理总结 - 刘建平Pinard - 博客园Apriori算法是常用的用于挖掘出数据关联规则的算法，它用来找出数据值中频繁出现的数据集合，找出这些集合的模式有助于我们做一些决策。比如在常见的超市购物数据集，或者电商的网购数据集中，如果我们找到了https://www.cnblogs.com/pinard/p/6293298.html非监督学习（Unsupervised Learning，UL），这类算法的工作原理是从无标签的训练数据中学习数据的底层结构。进一步地，非监督学习又可细分为如

贝叶斯一直很迷糊。。。百度百科：分类原理是通过某对象的先验概率，利用贝叶斯公式计算出其后验概率，即该对象属于某一类的概率，选择具有最大后验概率的类作为该对象所属的类。什么是先验概率？什么是后验概率？（一直很懵）（x表示事件，w表示类别）朴素贝叶斯分类器：基于贝叶斯公式来估计后验概率的主要困难在于：类条件概率P(x | c)是所有属性上的联合概率，难以从有限的训练样本直接估计而得。为了避开这个障碍，朴素贝叶斯分类器采用了“属性条件独立性假设”：对已知类别，假设所有属性相互独立。换.

一. 决策树决策树是一种树形结构，其中每个内部节点表示一个属性上的判断，每个分支代表一个判断结果的输出，最后每个叶节点代表一种分类结果。根节点：包含样本的全集 内部节点：对应特征属性测试 叶节点：代表决策的结果比较常用的决策树有ID3，C4.5和CART（Classification And Regression Tree），CART的分类效果一般优于其他决策树。1. ID3（信息增益）信息熵：度量样本集合纯度常用的一种指标。信息熵的值越小，纯度越高。信息增益：信息增益越大，.

1. 逻辑回归和SVM对比1. 损失函数不同：逻辑回归使用对数损失函数，SVM使用0-1损失函数。2.SVM考虑局部（支持向量），而logistic回归考虑全局。SVM的处理方法是只考虑support vectors，也就是和分类最相关的少数点，去学习分类器。而逻辑回归通过非线性映射，大大减小了离分类平面较远的点的权重，相对提升了与分类最相关的数据点的权重,两者的根本目的都是一样的。对数几率回归通过最大化样本输出到正确分类的概率来减少错误率3.逻辑回归常用于处理大数据，而SVM则正好相...

参考链接：看了这篇文章你还不懂SVM你就来打我 - 知乎(从我的博客 看了这篇文章你还不懂SVM你来打我完整搬运过来的)支持向量机(Support Vector Machine, SVM)1. 概要1.1 简介自从大半年前接触到SVM以来，感觉一直没怎么把SVM整明白。直到最近上的《模式识别》课程才仿…https://zhuanlan.zhihu.com/p/49331510一句话介绍支持向量机：通过非线性映射将输入空间映射到高维空间，再构造一个最优的分类超平面，使得离分离器超平面最近的异类样本之间具有

参考链接：【机器学习】逻辑回归（非常详细） - 知乎https://blog.youkuaiyun.com/bitcarmanlee/article/details/51165444逻辑回归的常见面试点总结 - ModifyBlog - 博客园1.简介 逻辑回归是面试当中非常喜欢问到的一个机器学习算法，因为表面上看逻辑回归形式上很简单，很好掌握，但是一问起来就容易懵逼。所以在面试的时候给大家的第一个建议不要说自己精通逻辑回归，非常容易被问倒https://www.cnblogs.com/modifyrong/.

迁移学习(transfer learning)通俗来讲，就是运用已有的知识来学习新的知识，核心是找到已有知识和新知识之间的相似性，用成语来说就是举一反三。由于直接对目标域从头开始学习成本太高，我们故而转向运用已有的相关知识来辅助尽快地学习新知识。比如，已经会下中国象棋，就可以类比着来学习国际象棋；已经会编写Java程序，就可以类比着来学习C#；已经学会英语，就可以类比着来学习法语；等等。世间万事万物皆有共性，如何合理地找寻它们之间的相似性，进而利用这个桥梁来帮助学习新知识，是迁移学习的核心问题。在迁移学

https://medium.com/analytics-vidhya/cnns-architectures-lenet-alexnet-vgg-googlenet-resnet-and-more-666091488df5LeNet-5 (1998)LeNet-5, a pioneering 7-level convolutional network by LeCun et al in 1998。32x32 pixel greyscale inputimages。AlexNet ...

参考了本网站一个作者的文章：https://blog.youkuaiyun.com/gongfs/article/details/557983故障诊断：鉴别机器设备的技术状态是否正常，确定故障的性质，发现故障的部位，寻找故障的起因，提出排除故障的相应措施。参考应用：1985年Regenie等人研制的飞行器控制系统监视器(EEFSM); 1987年Malin研制的汽车故障诊断系统(FIXER)；美国宇航...

聚类：无监督学习。性能度量：簇内相似度高且簇间相似度低。距离计算：闵可夫斯基距离：欧氏距离(p=2) or 曼哈顿距离(p=1)1. 原型聚类1）k均值聚类（k-means clustering）：最小化平方误差。从样本集中随机选择k个样本作为初始均值向量——计算每个样本与各均值向量的距离，将样本划入距离最近的均值向量的簇内——求出新的均值向量，并更新——不断重复上述过程知道没...

图像数据集ImageNet视频数据集: UCF-101视频表示学习早期广泛使用的方法是手工特征的提取(Hand-Crafted feature)。这类方法有着四大明显缺点： 对于相机运动和光照变化较为敏感 不包含高层语义信息 特征维度太高 计算太耗时 早期基于深度学习的视频表示是基于2D卷积神经网络（2D-CNN）Paper1:Large-...

目前遇到的是一个图像数据集，共7个label，数量比例为：33:11:1:5:5:399:220，需要做图像分类。不仅数据量少，而且数据不平衡，且图像本身纹理不清晰机器不容易辨别。目前尝试的解决方法：1：CNN。1）使用数据增广。对于前五个label的数据做Flip/Rotate/Sharp操作。效果略有提升，但是依旧很不理想。2）给loss加权重。对前五个label的loss...