xiaoyaozizai017的博客

LightGBM 简介及其与XGBoost的比较优缺点

1.协方差# coding:utf-8import numpy as npdef testCovariance(): # 测试协方差 X = [[2, 0, -1.4], [2.2, 0.2, -1.5], [2.4, 0.1, -1], [1.9, 0, -1.2]] # print(type(X)) #&l...

1. 协方差的定义在概率论和统计学中用于衡量两个变量的总体误差。而方差是协方差的一种特殊情况，即当两个变量是相同的情况。 协方差表示的是两个变量的总体的误差，这与只表示一个变量误差的方差不同。 如果两个变量的变化趋势一致，也就是说如果其中一个大于自身的期望值，另外一个也大于自身的期望值，那么两个变量之间的协方差就是正值。 如果两个变量的变化趋势相反，即其中一个大于自身的期望值，另外一个却小...

1.ndarray数组维度-横向量和列向量a = array([1,2,3]) #一维列向量print(a.shape, a)b = array([[1,2,3]]) #二维横向量print(b.shape, b)(3,) [1 2 3](1, 3) [[1 2 3]]{关于numpy数组维度表示上的区别，numpy多维数组横向量和列向量的区别}zeros([5...

机器学习中的所有算法都依赖于最小化或最大化某一个函数，我们称之为“目标函数”。最小化的这组函数被称为“损失函数”。损失函数是衡量预测模型预测期望结果表现的指标。寻找函数最小值的最常用方法是“梯度下降”。把损失函数想象成起伏的山脉，梯度下降就像从山顶滑下，目的是到达山脉的最低点。损失函数可以大致分为两类：分类损失（Classification Loss）和回归损失（Regression Loss）。下面这篇博文，就将重点介绍5种回归损失。

以下转自 https://zhuanlan.zhihu.com/p/26614750 极大似然估计，通俗理解来说，就是利用已知的样本结果信息，反推最具有可能（最大概率）导致这些样本结果出现的模型参数值！换句话说，极大似然估计提供了一种给定观察数据来评估模型参数的方法，即：“模型已定，参数未知”。可能有小伙伴就要说了，还是有点抽象呀。我们这样想，一当模型满足某个分布，它的参数值我通过极大似...

用CRF++识别实体，训练集有词、词性。个人标注B、M、E、S。训练集用单个词和词性，还是用成语（多个）和词性作为训练集那？1.单个词包含所有东西（符号什么的），如果识别出一句话里面的人名，地名，组织名。起码是一段话，也会标注识别出各个实体。2.如果是成语，其实更省事，但是也应该加上符号。