zhulinniao

记录一下二分混淆矩阵1 二分混淆矩阵2 二分混淆矩阵使用1 二分混淆矩阵 预测 recall【召回率】 recall【错误率】 实际 P【Positeve】 TP【True Positeve】 FN 【False Negative】假阴性 【错误拒绝数】：把正样本认为是负样本 TP / (TP + FN) 【FALSE Negative Rate】错误拒绝率 FNR = F

理解xgboost与gbdt区别Xgboost和gbdt区别1 Xgboost的多棵树集成概念2 Xgboost的学习策略3 Xgboost的优化函数3.1 Xgboost原始优化函数3.2 选定MSE(均方差)作为损失函数3.3 直接选定泰勒公式展开ReferenceXgboost和gbdt区别【 Xgboost用了】泰勒公式展开即用到了二阶，普通GBDT(提升树)只用到了一阶L1正...

树之总结1 前文1.1 决策树基础知识1.2 算法对比2 ID32.1 ID算法描述2.2 信息熵(entropy)2.3 信息增益Gain(S,A)——信息度量期望的熵降低2.4 信息增益案例3 C4.53.1【分离信息Split Information】3.2 【信息增益率Information gain ratio】3.3【连续性数据离散化处理】3.4 剪枝3.5【悲观后剪枝案例】4 C5....

ziL=∑kwkiLakL−1+bkiL=第L层第i个神经元的值=第L−1层所有神经元的加权输出yjL=softmax(zjL)=ezjL∑ieziL=第L层第j神经元的指数化第L层所有神经元指数化求和\begin{aligned} & z_{i}^{L}=\sum\nolimits_{k}{w_{ki}^{L}a_{k}^{L-1}+b_{ki}^{L}}=第L层第i个神经元的值=...

理解准确率和召回率1 混淆矩阵解释2 召回率和准确率定义3 混淆矩阵Reference1 混淆矩阵解释2 召回率和准确率定义召回率(Recall)=系统检索到的相关文件系统所有相关的文件总数=正确预测为狗的个数系统真实是狗的个数召回率(Recall)=\frac{系统检索到的相关文件}{系统所有相关的文件总数}=\frac{正确预测为狗的个数}{系统真实是狗的个数}召回率(Recall...

偏最小二乘法1 数据预处理1.1 均值|方差|协方差|相关系数1.2 数据标准化1 数据预处理1.1 均值|方差|协方差|相关系数矩阵数据表X=(x1,x2,⋯ ,xi,⋯ ,xp)X=({{x}_{1}},{{x}_{2}},\cdots ,{{x}_{i}},\cdots ,{{x}_{p}})X=(x1​,x2​,⋯,xi​,⋯,xp​)是一个n×pn\times pn×p (m行n列...

偏最小二乘法中的数据预处理1 数据预处理1.1 均值|方差|协方差|相关系数1.2 数据标准化Reference1 数据预处理1.1 均值|方差|协方差|相关系数矩阵数据表X=(x1,x2,⋯ ,xi,⋯ ,xp)X=({{x}_{1}},{{x}_{2}},\cdots ,{{x}_{i}},\cdots ,{{x}_{p}})X=(x1​,x2​,⋯,xi​,⋯,xp​)是一个n×pn\...

单因变量线性偏最小二乘法1 单因变量线性PLS1.1 计算推导1.2 辅助分析技术Reference1 单因变量线性PLS1.1 计算推导由于在多因变量线性偏最小二乘法中，我们已经讨论了计算推导，在此，我们将但因变量进行简化计算推导过程：①样本数据XXX与YYY标准化预处理②记t1{{t}_{1}}t1​是XXX的第1个成分有t1=Xw1{{t}_{1}}=X{{w}_{1}}t1​=X...

多因变量非线性PLS1 多因变量非线性PLS[不是拟线性方法]1.1 计算推导1.2 简化算法1.3 性质Reference1 多因变量非线性PLS[不是拟线性方法]1.1 计算推导在PLS进行之前，首先要进行预备分析，目的是判断自变量(因变量)是否存在多重共线性，判断因变量与自变量是否存在相关关系，进而决定是否需要采用PLS方法建模，具体计算方法：记矩阵Z=(X,Y)Z=(X,Y)Z=(X...