deephub

摘要： 在本文中，首先简要解释一下 混合密度网络 MDN （Mixture Density Network）是什么，然后将使用Python 代码构建 MDN 模型，最后使用构建好的模型进行多元回归并测试效果。 回归 “回归预测建模是逼近从输入变量 (X) 到连续输出变量 (y) 的映射函数 (f) [... 阅读全文

摘要： 机器学习算法通常使用例如 kFold等的交叉验证技术来提高模型的准确度。在交叉验证过程中，预测是通过拆分出来的不用于模型训练的测试集进行的。这些预测被称为折外预测（out-of-fold predictions）。折外预测在机器学习中发挥着重要作用，可以提高模型的泛化性能。 在本文中，将介绍机器学习 阅读全文

摘要： 快速回顾集成方法中的软投票和硬投票 集成方法是将两个或多个单独的机器学习算法的结果结合在一起，并试图产生比任何单个算法都准确的结果。 在软投票中，每个类别的概率被平均以产生结果。例如，如果算法 1 以 40% 的概率预测对象是一块岩石，而算法 2 以 80% 的概率预测它是一个岩石，那么集成将预测该 阅读全文

摘要： 本文不是 NLP 研究的完整列表，因为太多了无法总结的这么完整！但是本文对影响NLP研究的一些重要的模型进行总结，并尽量让它简约而不是简单，如果你刚刚进入NLP领域，本文可以作为深入研究该领域的起点。 Bag of Words (BOW) [1954]：计算文档中每个单词的出现次数并将其用作特征。 阅读全文

摘要： EfficientNetV2是由 Google Research，Brain Team发布在2021 ICML的一篇论文，它结合使用NAS和缩放，优化训练速度和参数效率。并且模型中使用新操作（如 Fused-MBConv）在搜索空间中进行搜索。EfficientNetV2 模型比EfficientN 阅读全文

摘要： 机器学习模型的生命周期可以分为以下步骤： 数据采集 数据预处理 特征工程 特征选择 建筑模型 超参数调整 模型部署 要构建模型就必须要对数据进行预处理。特征转换是这个过程中最重要的任务之一。在数据集中，大多数时候都会有不同大小的数据。为了使更好的预测，必须将不同的特征缩小到相同的幅度范围或某些特定的 阅读全文

摘要： 牛顿迭代法（Newton's method）又称为牛顿-拉夫逊（拉弗森）方法（Newton-Raphson method），它是牛顿在17世纪提出的一种在实数域和复数域上近似求解方程的方法。 以 Isaac Newton 和 Joseph Raphson 命名的 Newton-Raphson 方法在 阅读全文

摘要： 聚类是一种无监督机器学习方法，可以从数据本身中识别出相似的数据点。对于一些聚类算法，例如 K-means，需要事先知道有多少个聚类。如果错误地指定了簇的数量，则结果的效果就会变得很差（参见图 1）。 这种情况下，s 变为负数，接近 -1。 在许多情况下，不知道数据中有多少个簇。但是弄清楚有多少簇可能 阅读全文

摘要： 大多数图神经网络通常在所有节点都可用的特征假设下运行。但是在现实世界的中，特征通常只有部分可用（例如，在社交网络中，只有一小部分用户可以知道年龄和性别）。本文种展示的特征传播是一种用于处理图机器学习应用程序中缺失的特征的有效且可扩展的方法。它很简单，但效果出奇地好。 图神经网络 (GNN) 模型通常 阅读全文

摘要： 时间序列数据随处可见，要进行时间序列分析，我们必须先对数据进行预处理。时间序列预处理技术对数据建模的准确性有重大影响。 在本文中，我们将主要讨论以下几点： 时间序列数据的定义及其重要性。 时间序列数据的预处理步骤。 构建时间序列数据，查找缺失值，对特征进行去噪，并查找数据集中存在的异常值。 首先，让 阅读全文