摘要：
转载：https://blog.csdn.net/kwame211/article/details/80364079 假设我们提供了这样的数据样本（样本值取自于y=3*x1+4*x2）：x1 x2 y1 4 192 5 265 1 194 2 29x1和x2是特征，y是预测目标，我们需要以一条直线来 阅读全文
posted @ 2018-12-11 22:33 wzd321 阅读(563) 评论(0) 推荐(0)
摘要：
什么是优化算法？ 优化算法的功能，是通过改善训练方式，来最小化(或最大化)损失函数E(x)。模型内部有些参数，是用来计算测试集中目标值Y的真实值和预测值的偏差程度的，基于这些参数，就形成了损失函数E(x)。比如说，权重(W)和偏差(b)就是这样的内部参数，一般用于计算输出值，在训练神经网络模型时起到 阅读全文
posted @ 2018-12-11 19:50 wzd321 阅读(407) 评论(0) 推荐(0)
摘要：
转载： https://www.jianshu.com/p/dcec3f07d3b5 https://blog.csdn.net/dream_catcher_10/article/details/48522339 重要：https://blog.csdn.net/roslei/article/det 阅读全文
posted @ 2018-12-10 16:13 wzd321 阅读(2432) 评论(1) 推荐(1)
摘要：
训练好的词向量模型被保存下来，该模型的本质就是一个m*n的矩阵，m代表训练语料中词的个数，n代表训练时我们设定的词向量维度。当我们训练好模型后再次调用时，就可以从该模型中直接获取到对应词的词向量。 通过上面我们可以拿到每个词的词向量，但是我们任务处理时一般是对句子或文本进行操作。当我们拿到一个词向量 阅读全文
posted @ 2018-12-10 11:04 wzd321 阅读(721) 评论(0) 推荐(0)
摘要：
假设样例按照到来的先后顺序依次定义为。为样本特征，为类别标签。任务是到来一个样例，给出其类别结果的预测值，之后我们会看到真实值，然后根据真实值来重新调整模型参数，整个过程是重复迭代的过程，直到所有的样例完成。这么看来，我们也可以将原来用于批量学习的样例拿来作为在线学习的样例。在在线学习中，我们主要关 阅读全文
posted @ 2018-12-10 09:08 wzd321 阅读(326) 评论(0) 推荐(0)
摘要：
级联森林（Cascade Forest） 级联森林结构的图示。级联的每个级别包括两个随机森林（蓝色字体标出）和两个完全随机树木森林（黑色）。 假设有三个类要预测，因此，每个森林将输出三维类向量，然后将其连接以重新表示原始输入。注意，要将前一级的特征和这一级的特征连接在一起——在最后会有一个例子，到时 阅读全文
posted @ 2018-12-09 21:48 wzd321 阅读(2698) 评论(1) 推荐(0)
摘要：
ID3，C4.5决策树的生成： 输入：训练集D，特征集A，阈值eps， 输出：决策树T CART决策树的生成： 这里只简单介绍下CART与ID3和C4.5的区别 阅读全文
posted @ 2018-12-09 20:00 wzd321 阅读(196) 评论(0) 推荐(0)
摘要：
转载：http://www.cnblogs.com/liuwu265/p/4690486.html Bagging和Boosting都是将已有的分类或回归算法通过一定方式组合起来，形成一个性能更加强大的分类器，更准确的说这是一种分类算法的组装方法。即将弱分类器组装成强分类器的方法。 1、Baggin 阅读全文
posted @ 2018-12-09 16:32 wzd321 阅读(156) 评论(0) 推荐(0)
浙公网安备 33010602011771号