摘要：
规范化技术一般用于解决模型的过拟合问题，本文将深入浅出的介绍几种常见的正则化技术。首先来看看什么是过拟合。 1、什么是过拟合 生活中我们常听到一些地域性偏见的话，如“河南人偷井盖”，“东北人都是黑社会”，“投资不过山海关”等等。但是每个省份这么多人，有好人有坏人，真的就一句话概括了吗？显然这犯了“以 阅读全文
posted @ 2020-11-04 16:21
Chen洋
阅读(10621)
评论(1)
推荐(1)
摘要：
1. 梯度下降法（Gradient Descent） 梯度下降法是最早最简单，也是最为常用的最优化方法。梯度下降法实现简单，当目标函数是凸函数时，梯度下降法的解是全局最优解。一般情况下，其解不保证是全局最优解，梯度下降法的速度也未必是最快的。 梯度下降法的优化思想是用当前位置负梯度方向作为搜索方向， 阅读全文
posted @ 2020-11-04 15:27
Chen洋
阅读(631)
评论(0)
推荐(0)
摘要：
前言 在监督式机器学习中，无论是回归问题还是分类问题，都少不了使用损失函数（Loss Function）。**损失函数（Loss Function）**是用来估量模型的预测值 f(x) 与真实值 y 的不一致程度。 若损失函数很小，表明机器学习模型与数据真实分布很接近，则模型性能良好；若损失函数很大 阅读全文
posted @ 2020-11-04 14:51
Chen洋
阅读(5712)
评论(0)
推荐(1)
摘要：
“损失函数”是机器学习优化中至关重要的一部分。L1、L2损失函数相信大多数人都早已不陌生。那你了解Huber损失、Log-Cosh损失、以及常用于计算预测区间的分位数损失函数么？这些可都是机器学习大牛最常用的回归损失函数哦！ 机器学习中所有的算法都需要最大化或最小化一个函数，这个函数被称为“目标函数 阅读全文
posted @ 2020-11-04 13:58
Chen洋
阅读(5324)
评论(0)
推荐(1)
摘要：
声明一下，本文只是介绍一下最基础的基于内容的推荐系统（Content-based recommender system）的工作原理，其实基于内容的推荐系统也分三六九等，这里只是简单的较少一下最原始的、最基本的工作流程。 基于内容的推荐算法思路很简单，它的原理大概分为3步： 1、为每个物品（Item） 阅读全文
posted @ 2020-11-04 11:19
Chen洋
阅读(1224)
评论(1)
推荐(0)
浙公网安备 33010602011771号