半度墨水

摘要： 特征选择的目的 在理想情况下，特征选择想要达到以下效果： 简化模型以提高可解释性：通过减少特征的数量，模型变得更简单，更容易理解。这对于那些需要理解模型如何做出预测的领域（如医疗或信贷评分）非常重要。 改进模型性能：通过消除无关或冗余的特征，模型的预测性能可能会得到提高。这是因为无关或冗余的特征可能 阅读全文

摘要： 凸函数与非凸函数 在数学中，如果一个函数在它定义的整个区间上满足以下性质，那么它就是一个凸函数：对于任意两个点x和y以及任意一个实数t（0 ≤ t ≤ 1），函数在点tx + (1 - t)y的值小于或等于在点x和点y的函数值的加权平均，也就是说，凸函数的图形在两点之间的弦的下方。 即f(tx+(1 阅读全文

摘要： 在机器学习和数据科学中，范数常常被用来作为正则化项，防止模型过拟合，或者用来衡量模型复杂度。 具体来说，范数（Norm）是一种测量向量“长度”或“大小”的函数。范数需要满足一些性质，包括： 非负性：对任意向量v，范数都是非负的，即||v|| >= 0，且当且仅当v=0时，||v|| = 0 一致性： 阅读全文

摘要： 查看conda信息（版本，安装位置等等） conda info 创建一个新的虚拟环境 conda create -n your_env_name conda create -n your_env_name python=3.9.2 (带python版本的创建) 激活虚拟环境 conda activa 阅读全文

摘要： 归一化和标准化有什么区别？ 归一化(N o r m a l i z a t i o n NormalizationNormalization)：将一列数据变化到某个固定区间(范围)中，通常，这个区间是[0, 1]，广义的讲，可以是各种区间，比如映射到[0，1]一样可以继续映射到其他范围，图像中可能会 阅读全文

摘要： 什么是正则化？ 正则化是在机器学习中防止过拟合，提高模型的泛化能力的一种技术，我们训练模型就是对目标函数求解，而目标函数就是误差函数（损失函数）加正则化项，正则化项当中的 λ 被称为正则化系数，越大，这个限制越强。需要值得注意的是，正则化往往用在线性函数上面，如线性回归、逻辑回归，SVM等，复杂的神 阅读全文

摘要： 什么是激活函数？ 就是在人工神经网络的神经元上运行的函数,引入激活函数是为了增加神经网络模型的非线性,将非线性特性引入到神经网络中。 为什么要用激活函数 如果不用激活函数，每一层输出都是上层输入的线性函数，无论神经网络有多少层，输出都是输入的线性组合，这种情况就是最原始的感知机（Perceptron 阅读全文

摘要： 对于最简单的二分类任务： （此图叫混淆矩阵） TP：预测为Positive并且真实值也为Positive（样本为正类且预测为正类） TN：预测为Negative并且真实值也为Negative（样本为负类且预测为负类） FP：预测为Positive但真实值也为Negative（样本为负类但预测为正类） 阅读全文

摘要： 列表是python中最常用到的数据结构之一，其中切片操作可以有很多使用技巧（包括倒序输出...） 对于一个列表 list = [1, 2, 3, 4, 5] list[-1] 原型是索引从左向右依次为0,1,2,3,4；与之对应的是-5，-4，-3，-3，-1,即 list[0] == list[- 阅读全文

摘要： 损失函数（Loss Function） 机器学习模型关于单个样本的预测值与真实值的差称为损失。损失越小，模型越好，如果预测值与真实值相等，就是没有损失。用于计算损失的函数称为损失函数。模型每一次预测的好坏用损失函数来度量。 阅读全文