公众号【机器学习炼丹术】

摘要： 文章转自公众号【机器学习炼丹术】，关注回复“炼丹”即可获得海量免费学习资料哦！ 1 作者前言 在2020年还在整理XGB的算法，其实已经有点过时了。不过，主要是为了扩大知识面和应付面试嘛。现在的大数据竞赛，XGB基本上已经全面被LGB模型取代了，这里主要是学习一下Boost算法。之前已经在其他博文中 阅读全文

摘要： 文章转自公众号【机器学习炼丹术】 本文的重点排序方法在：冒泡排序，归并排序，快速排序，桶排序。 算法分类 十种常见排序算法可以分为两大类： 比较类排序：通过比较来决定元素间的相对次序，由于其时间复杂度不能突破O(nlogn)，因此也称为非线性时间比较类排序。 非比较类排序：不通过比较来决定元素间的相 阅读全文

摘要： 文章来自：微信公众号【机器学习炼丹术】 1 什么是非均衡 分类(classification)问题是数据挖掘领域中非常重要的一类问题，目前有琳琅满目的方法来完成分类。然而在真实的应用环境中，分类器(classifier)扮演的角色通常是识别数据中的“少数派”，比如： 银行识别信用卡异常交易记录 垃圾 阅读全文

摘要： 文章转自【机器学习炼丹术】 线性回归解决的是回归问题，逻辑回归相当于是线性回归的基础上，来解决分类问题。 1 公式 线性回归(Linear Regression)是什么相比不用多说了。格式是这个样子的： \(f_{w,b}(x)=\sum_i{w_ix_i}+b\) 而逻辑回归（Logistic R 阅读全文

摘要： 文章来自公众号【机器学习炼丹术】 1 focal loss的概述 焦点损失函数 Focal Loss（2017年何凯明大佬的论文）被提出用于密集物体检测任务。 当然，在目标检测中，可能待检测物体有1000个类别，然而你想要识别出来的物体，只是其中的某一个类别，这样其实就是一个样本非常不均衡的一个分类 阅读全文

摘要： 文章来自公众号【机器学习炼丹术】 1 stochastic weight averaging（swa） 随机权值平均 这是一种全新的优化器，目前常见的有SGB，ADAM， 【概述】：这是一种通过梯度下降改善深度学习泛化能力的方法，而且不会要求额外的计算量，可以用到Pytorch的优化器中。 随机权重 阅读全文

摘要： 文章来自：一个宝藏微信公众号【机器学习炼丹术】 基本概念 首先，要背住的几个概念就是：accuracy,precision,recal, TP,FP,TN,FN TP:true positive。预测是正确的正样本 FP:false positive。预测是错误的正样本 TN：true negati 阅读全文

摘要： 文章来自：公众号【机器学习炼丹术】。求关注~ 其实关于BN层，我在之前的文章“梯度爆炸”那一篇中已经涉及到了，但是鉴于面试经历中多次问道这个，这里再做一个更加全面的讲解。 Internal Covariate Shift（ICS） Batch Normalization的原论文作者给了Interna 阅读全文

摘要： 写文章的目的在于之前面试的时候，提到某一个时间序列项目的特征工程处理。我说的大多数都是一些数据清洗、数据去除异常点、针对数据特性做出的特别的特征工程的操作，然后面试官给我的建议是下一次面试多说一下常规的特征工程处理，因为这样面试官才会跟你有共鸣，能更好的理解你说的特征工程是什么。 本文主要讲述一些比 阅读全文

摘要： 1 基本概述 CLAHE是一个比较有意思的图像增强的方法，主要用在医学图像上面。之前的比赛中，用到了这个，但是对其算法原理不甚了解。在这里做一个复盘。 CLAHE起到的作用简单来说就是增强图像的对比度的同时可以抑制噪声 CLAHE的英文是Contrast Limited Adaptive Histo 阅读全文