光彩照人

摘要： CRF++模板构建分为两类，一类是Unigram标注，一类是Bigram标注。 Unigram和Bigram模板分别生成CRF的状态特征函数 和转移特征函数 。其中 是标签， 是观测序列， 是当前节点位置。Bigram 下面只需要加一个B就ok了，其它还是用Unigram模板生成特征。 主要介绍Un 阅读全文

摘要： 概率有向图又称为贝叶斯网络，概率无向图又称为马尔科夫网络。具体地，他们的核心差异表现在如何求 ，即怎么表示 这个的联合概率。 概率图模型的优点： 提供了一个简单的方式将概率模型的结构可视化。 通过观察图形，可以更深刻的认识模型的性质，包括条件独立性。 高级模型的推断和学习过程中的复杂计算可以利用图计 阅读全文

摘要： 数学期望：又叫均值，是一种概率论概念，样本出现的情况结合出现的概率，是一种加权平均。 举例：如果一个人的身高是180，但是采用不同的仪器多次测量，就出现了不同的测量值，这个时候可以多次测量值/测量次数，就叫均值，是又真实值做参考的，反应的是多次试验的平均结果。 平均值：是数理统计的概念，对观察样本的 阅读全文

摘要： 1、什么是中心极限定理。 中心极限定理指的是给定一个任意分布的总体。我每次从这些总体中随机抽取 n 个抽样，一共抽 m 次。 然后把这 m 组抽样分别求出平均值。 这些平均值的分布接近于围绕总体均值的一个正态分布。因此可以根据多个样本均值的均值近似得出总体的均值估计。 其中要注意的几点： 总体本身的 阅读全文

摘要： 如图上的参数个数为：3*3*3*2，第一个三为输入层3，后面3*3位卷积尺寸，最后一个2为卷积核的个数 1的计算过程： 第一个通道和对应权重的结果：0*1+0*1+0*(-1)+0*(-1)+0*0+1*1+0*(-1)+0*(-1)+1*0 = 1 第二个通道和对应权重的结果：0*(-1)+0*0 阅读全文

摘要： N-gram语言模型 考虑一个语音识别系统，假设用户说了这么一句话：“I have a gun”，因为发音的相似，该语音识别系统发现如下几句话都是可能的候选：1、I have a gun. 2、I have a gull. 3、I have a gub. 那么问题来了，到底哪一个是正确答案呢？ 一般 阅读全文

摘要： 流形学习（Manifold Learning）是机器学习中一大类算法的统称，流形学习是非线性的降维方法（an approach to non-linear dimensionality reduction）。PCA、LDA等降维方法基于线性假设，经常会损失数据内部非线性的结构信息；流形学习是线性降维 阅读全文

摘要： 一、相关概念 标签：对某一类特定群体或对象的某项特征进行的抽象分类和概括，其值（标签值）具备可分类性。 对于“人”这类群体，可将“男”、“女”这类特征进行抽象概括，统称为“性别”，“性别”即一个标签； 对于“手机”这类对象，可将“骁龙835”、“骁龙845”这类特征进行抽象概括，统称为“手机处理器” 阅读全文

摘要： 一般在建立分类模型时，需要对连续变量离散化，特征离散化后，模型会更稳定，降低了模型过拟合的风险。比如在建立申请评分卡模型时用logsitic作为基模型就需要对连续变量进行离散化，离散化通常采用分箱法。 分箱的重要性及其优势 原文链接：https://blog.csdn.net/pylady/arti 阅读全文

摘要： 1.DataFrame中某一列的值衍生为新的特征 2.分组统计，选出同一USRID下该变量中出现次数最多的值项 3.衍生出某天是否发生的ont-hot新特征 4.查看用户一共停留在APP上多少秒，共有几天看了APP 阅读全文