Bin的专栏

摘要： 计算机科学的论文最大特点在于： 极度重视会议，而期刊则通常只用来做re-publication，也就是说很多期刊文章是会议论文的扩展版，而不是首发的工作。并且期刊的录用到发表中间的等待时间极长，有的甚至需要等上1-2年，因此即使投稿时是最新的工作，等发表的时候也不一定是最新了!也正因为如此，很多计算机期刊的影响因子都低的惊人，很多顶级刊物也只有1到2的印象因子！ 因此，要讨论计算机科学的publication，那么请忽视影响因子。 阅读全文

摘要： 坐标图上有各种数字和文字，因为图的大小关系，经常会需要去调节字体的大小，这里简单列举一下，以后想到了再补充~ 阅读全文

摘要： matlab绘图的时候只用plot函数出来的图不一定符合自己最想要的格式， 经常要对坐标的数字、范围、间隔做处理。 虽然不是什么很难的操作，但是确实常用，也容易忘记，所以就放在这里说明一下： 阅读全文

摘要： 通俗的讲，Precision 就是检索出来的条目中（比如网页）有多少是准确的，Recall就是所有准确的条目有多少被检索出来了。 下面这张图介绍True Positive，False Negative等常见的概念，P和R也往往和它们联系起来。 阅读全文

摘要： Linear Discriminant Analysis (也有叫做Fisher Linear Discriminant)是一种有监督的（supervised）线性降维算法。与PCA保持数据信息不同，LDA是为了使得降维后的数据点尽可能地容易被区分！ 假设原始数据表示为X，（m*n矩阵，m是维度，n是sample的数量） 既然是线性的，那么就是希望找到映射向量a， 使得 a‘X后的数据点能够保持以下两种性质： 1、同类的数据点尽可能的接近（within class） 2、不同类的数据点尽可能的分开（between class） 来看一个例子：两堆点会这样被降维 阅读全文

摘要： 机器学习领域中所谓的降维就是指采用某种映射方法，将原高维空间中的数据点映射到低维度的空间中。降维的本质是学习一个映射函数 f : x->y，其中x是原始数据点的表达，目前最多使用向量表达形式。 y是数据点映射后的低维向量表达，通常y的维度小于x的维度（当然提高维度也是可以的）。f可能是显式的或隐式的、线性的或非线性的。 Principal Component Analysis(PCA)是最常用的线性降维方法，它的目标是通过某种线性投影，将高维的数据映射到低维的空间中表示，并期望在所投影的维度上数据的方差最大，以此使用较少的数据维度，同时保留住较多的原数据点的特性。 阅读全文