weixin_42774642的博客

1. 聚类对于聚类，关键一步是要告诉计算机怎样计算两个数据点的相似性，不同的算法需要的相似性是不一样的。1.1. DBSCAN1.1.1. DBSCAN原理 DBSCAN核心原理就是密度聚类的原理：寻找出稠密的地方，把它们当做一个簇，也就是密度相连的区域，我们把它当成一个簇。​ “DBSCAN如何发现簇？”初始，给定数据集D中的所有对象都被为‘unv...

链接：https://www.zhihu.com/question/26485586/answer/616029832理解L1，L2 范数L1，L2 范数即 L1-norm 和 L2-norm，自然，有L1、L2便也有L0、L3等等。因为在机器学习领域，L1 和 L2 范数应用比较多，比如作为正则项在回归中的使用 Lasso Regression(L1) 和 Ridge Regressi...

综合重磅！深度学习 500 问更新，GitHub 2.6W 星（附完整下载） - 红色石头的文章 - 知乎https://zhuanlan.zhihu.com/p/71979604神经网络与深度学习(github,国人总结整理的)https://nndl.github.io/这是作者多年以来学习总结的笔记，经整理之后开源于世。写得相当好:http://www.huaxiaozhuan.co...

目录（一）归一化的作用（二）归一化的方法（三）应用场景说明（四）参考文献：（一）归一化的作用在机器学习领域中，不同评价指标（即特征向量中的不同特征就是所述的不同评价指标）往往具有不同的量纲和量纲单位，这样的情况会影响到数据分析的结果，为了消除指标之间的量纲影响，需要进行数据标准化处理，以解决数据指标之间的可比性。原始数据经过数据标准化处理后，各指标处于同一数量级...

LigthGBM是boosting集合模型中的新进成员，它和xgboost一样是对GBDT的高效实现，很多方面会比xgboost表现的更为优秀。原理上它和GBDT及xgboot类似，都采用损失函数的负梯度作为当前决策树的残差近似值，去拟合新的决策树。LightGBM vs xGBoostxgBoost算法的优点：XGB利用了二阶梯度来对节点进行划分，相对其他GBM来说，精度更高。...

1、LightGBM简介　　LightGBM是一个梯度Boosting框架，使用基于决策树的学习算法。它可以说是分布式的，高效的，有以下优势：　　1）更快的训练效率　　2）低内存使用　　3）更高的准确率　　4）支持并行化学习　　5）可以处理大规模数据　　与常见的机器学习算法对比，速度是非常快的　　2、XGboost的缺点　　在讨论LightGBM时，不...

概念：聚类分析（cluster analysis ）：是一组将研究对象分为相对同质的群组（clusters）的统计分析技术。聚类分析也叫分类分析，或者数值分类。聚类的输入是一组未被标记的样本，聚类根据数据自身的距离或者相似度将其划分成若干个组，划分的原则是组内距离最小化而组间（外部）距离最大化。聚类和分类的不同在于：聚类所要求划分的类是未知的。聚类度量的方法：分距离和相似度来度量。...

任何深度学习框架，为了获得成功，必须提供一系列最先进的模型，以及在流行和广泛接受的数据集上训练的权重，即与训练模型。 TensorFlow现在已经提出了一个更好的框架，称为TensorFlow Hub，它非常易于使用且组织良好。使用TensorFlow Hub，您可以通过几行代码导入大型和流行的模型，自信地执行广泛使用的传输学习活动。TensorFlow Hub非常...