2016年1月8日
正则化方法：L1和L2 regularization、数据集扩增、dropout
摘要： 正则化方法：防止过拟合，提高泛化能力在训练数据不够多时，或者overtraining时，常常会导致overfitting（过拟合）。其直观的表现如下图所示，随着训练过程的进行，模型复杂度增加，在training data上的error渐渐减小，但是在验证集上的error却反而渐渐增大——因为训练出来... 阅读全文
posted @ 2016-01-08 21:13 白开水加糖 阅读(697) 评论(0) 推荐(0)
SVD分解技术数学解释
摘要： SVD分解SVD分解是LSA的数学基础，本文是我的LSA学习笔记的一部分，之所以单独拿出来，是因为SVD可以说是LSA的基础，要理解LSA必须了解SVD，因此将LSA笔记的SVD一节单独作为一篇文章。本节讨论SVD分解相关数学问题，一个分为3个部分，第一部分讨论线性代数中的一些基础知识，第二部分讨论... 阅读全文
posted @ 2016-01-08 17:11 白开水加糖 阅读(1226) 评论(0) 推荐(0)
信息检索中的各项评价指标
摘要： 信息检索评价是对信息检索系统性能（主要满足用户信息需求的能力）进行评估的活动。通过评估可以评价不同技术的优劣，不同因素对系统的影响，从而促进本领域研究水平的不断提高。信息检索系统的目标是较少消耗情况下尽快、全面返回准确的结果。IR的评价指标，通常分为三个方面：（1）效率(Efficiency)—可以... 阅读全文
posted @ 2016-01-08 16:02 白开水加糖 阅读(9715) 评论(0) 推荐(0)
SVD分解技术详解
摘要： 版权声明： 本文由LeftNotEasy发布于http://leftnoteasy.cnblogs.com, 本文可以被全部的转载或者部分使用，但请注明出处，如果有问题，请联系wheeleast@gmail.com前言： 上一次写了关于PCA与LDA的文章，PCA的实现一般有两种，一种是用特征值分解... 阅读全文
posted @ 2016-01-08 15:20 白开水加糖 阅读(16530) 评论(0) 推荐(1)
推荐系统中的隐语义模型
摘要： 使用LFM（Latent factor model）隐语义模型进行Top-N推荐最近在拜读项亮博士的《推荐系统实践》，系统的学习一下推荐系统的相关知识。今天学习了其中的隐语义模型在Top-N推荐中的应用，在此做一个总结。隐语义模型LFM和LSI，LDA，Topic Model其实都属于隐含语义分析技... 阅读全文
posted @ 2016-01-08 15:01 白开水加糖 阅读(2073) 评论(0) 推荐(0)