摘要： `Focal Loss`是为了处理样本不平衡问题而提出的，经时间验证，在多种任务上，效果还是不错的。在理解`Focal Loss`前，需要先深刻理一下交叉熵损失，和带权重的交叉熵损失。然后我们从样本权重的角度出发，理解`Focal Loss`是如何分配样本权重的。Focal是动词Focus的形容词形式，那么它究竟Focus在什么地方呢？(详细的代码请看[Gitee](https://gitee.com/edata-code/DeepLearning-MachineLearning-Note/tree/master/FocalLoss))。 阅读全文

摘要：注： 字典学习也是一种数据降维的方法，这里我用到SVD的知识，对SVD不太理解的地方，可以看看这篇博客： "《SVD（奇异值分解）小结 》" ；数据集： "https://pan.baidu.com/s/1ZmpUSIscy4VltcimwwIWew" 1、字典学习思想 字典学习的思想应该源来实际生 阅读全文

摘要：注： 在 "《SVD（奇异值分解）小结 》" 中分享了SVD原理，但其中只是利用了numpy.linalg.svd函数应用了它，并没有提到如何自己编写代码实现它，在这里，我再分享一下如何自已写一个SVD函数。但是这里会利用到SVD的原理，如果大家还不明白它的原理，可以去看看 "《SVD（奇异值分解） 阅读全文

摘要：注： 奇异值分解在数据降维中有较多的应用，这里把它的原理简单总结一下，并且举一个图片压缩的例子，最后做一个简单的分析，希望能够给大家带来帮助。 1、特征值分解（EVD） 实对称矩阵 在理角奇异值分解之前，需要先回顾一下特征值分解，如果矩阵$A$是一个$m\times m$的 （即$A = A^T$） 阅读全文

摘要：这是学习《Hands On Machine Learning with Scikit Learn and TensorFlow》的笔记，如果此笔记对该书有侵权内容，请联系我，将其删除。 这里面的内容目前条理还不是特别清析，后面有时间会更新整理一下。 下面的代码运行环境为jupyter + pytho 阅读全文

摘要：实验设计与数据处理（大数据分析B中也用到F分布，故总结一下，加深印象）第3课小结——实验的方差分析（one way analysis of variance） 概述 实验结果$S$受多个因素$A_i$影响，但影响的程度各不相同，如何通过实验数据来确定因素的影响程度呢？其函数关系为 $$ S=f(A_ 阅读全文