深夜十二点三十三

摘要： 概述 集成学习通过将多个学习器进行结合，常可获得比单一学习器显著优越的泛化性能，对“弱学习器” 尤为明显。弱学习器常指泛化性能略优于随机猜测的学习器。 对于每个弱学习器而言，个体学习不能太坏，并且要有“多样性”，即学习器间具有差异。即集成个体应“好而不同”。 假设基分类器的错误率相互独立，则由Hoe 阅读全文

摘要： #include using namespace std; int main() { int num_1,num_2,sum=0; cout > num_1; cin >> num_2; if (num_1 > num_2) { int a; a = num_1; num_1 = num_2; ... 阅读全文

摘要： #include #include using namespace std; int main() { string first_name; string last_name; char grade; int age; cout > grade; cout > age; cout #include int main(... 阅读全文

摘要： #include using namespace std; int main() { const int unit=12; int shen_gao; cout > shen_gao; cout using namespace std; const int F_1 = 12; const double F_2 = 0.0254; const double ... 阅读全文

摘要： #include using namespace std; int main() { cout using namespace std; int main() { int a; cout > a; cout void print_1(void); void print_2(void); using namespace std; int main()... 阅读全文

该文被密码保护。 阅读全文

摘要： 类别不平衡问题指分类任务中不同类别的训练样本数目差别很大的情况。一般来说，不平衡样本会导致训练模型侧重样本数目较多的类别，而“轻视”样本数目较少类别，这样模型在测试数据上的泛化能力就会受到影响。一个例子，训练集中有99个正例样本，1个负例样本。在不考虑样本不平衡的很多情况下，学习算法会使分类器放弃负 阅读全文

摘要： 从二分类到多分类，实际采用的是拆解法思想：将多分类问题拆分成许多二分类问题，为每一个二分类问题训练一个分类器。测试时，对这些分类器的结果进行集成，得到最终预测结果。 根据拆分策略不同，分为以下三类： 一对一（One vs. One, OvO） 训练：将N个类别两两配对，产生N(N−1)/2个二分类任 阅读全文

摘要： 十种主要的统计学习方法特点总结 适用问题 分类问题是从实例的特征向量到类标记的预测问题；标注问题是从观测序列到标记序列(或状态序列)的预测问题。可以认为分类问题是标注问题的特殊情况。 分类问题中可能的预测结果是二类或多类；而标注问题中可能的预测结果是所有的标记序列，其数目是指数级的。 EM算法是含有 阅读全文

摘要： 概述 条件随机场(conditional random field, CRF)是给定一组输入随机变量条件下另一组输出随机变量的条件概率分布模型，其特点是假设输出随机变量构成马尔可夫随机场。 条件随机场可以用于不同的预测问题，本章主要讲述线性链(linear chain)条件随机场在标注问题的应用，这 阅读全文