youhuakongzhi的博客

转自：谱聚类（spectral clustering）原理总结 - 刘建平Pinard - 博客园本文对其中的难懂的地方做一些备注　谱聚类（spectral clustering）是广泛使用的聚类算法，比起传统的K-Means算法，谱聚类对数据分布的适应性更强，聚类效果也很优秀，同时聚类的计算量也小很多，更加难能可贵的是实现起来也不复杂。在处理实际的聚类问题时，个人认为谱聚类是应该首先考虑的几种算法之一。下面我们就对谱聚类的算法原理做一个总结。1. 谱聚类概述　　　　谱聚类是从图论中演化出来

问题：当利用LSTM/GRU等做预测时，在数据上升较快或者下降较快的地方出现预测值滞后现象，即T+1时刻的预测值就是或者与T，T-1时刻的真实输入值基本相同原因：回归算法将使用您提供的时间窗口中的值作为样本，以最大程度地减少误差。假设您正在尝试预测时间t的值。输入是以前的收盘价，即t-20到t-1的最后20个输入的时间序列窗口（假设样本输入的timestamp是20）。回归算法可能会学习在时间t-1或t-2处的值作为预测值，因为这样不需要做什么就可以达到优化的误差之类了。这样想：如果在t-1值6..

LSTM 通俗理解：https://blog.youkuaiyun.com/v_JULY_v/article/details/89894058GRU ：https://www.jiqizhixin.com/articles/2017-12-24

今天在讨论神经网络中的激活函数时，陆同学提出 Sigmoid 函数的输出不是以零为中心的（non-zero-centered），这会导致神经网络收敛较慢。关于这一点，过去我只是将其记下，却并未理解背后的原因。此篇谈谈背后的原因。神经元如图是神经网络中一个典型的神经元设计，它完全仿照人类大脑中神经元之间传递数据的模式设计。大脑中，神经元通过若干树突（dendrite）的突触（synapse），接受其他神经元的轴突（axon）或树突传递来的消息，而后经过处理再由轴突输出。在这里，诸x..

第一部分为我看到的一篇文章https://www.cnblogs.com/pinard/p/6307064.html，让我理解了这个算法，很好，讲的很明白，我引用过来了。1.FP Tree数据结构　　　　为了减少I/O次数，FP Tree算法引入了一些数据结构来临时存储数据。这个数据结构包括三部分，如下图所示：　　　　第一部分是一个项头表。里面记录了所有的1项频繁集出现的次数，按...

20. 为什么dropout在训练期间神经元将被连接到两倍于（ 平均） 的输入神经元。 为了弥补这个事实，我们需要在训练之后将每个神经元的输入连接权重乘以1-p??有一个小而重要的技术细节。 假设 p = 50% ，在这种情况下，在测试期间，输入的信号是训练新号的两倍，因为训练的时候对输入信号进行了dropout（p=0.5），而测试的时候不进行dropout，所以训练的时候输入信号只是测试...