CrescentTing

摘要： 1.Frobenius inner product （矩阵内积） 矩阵内积就是 两个大小相同的矩阵元素一一对应相乘并且相加 2. dot product (点积) 注：矩阵内积退化成向量形式就是点积，也可以称作向量内积。 两个向量里元素一一相乘，再相加 适用范围：维度相同的两个向量 3. Krone 阅读全文

摘要： 本文主要是针对疾病基因预测方向，非负矩阵分解的应用 1. 目标函数： 1. 非负矩阵分解（NMF） Y是miRNA与disease的关系， U代表了所有miRNA的特征， V代表了所有disease的特征， 将Y分解为U和V 最小化这个公式，将通过已知的Y得到两个非负矩阵U和V 2. 加Graph 阅读全文

摘要： AdaBoost学习算法用于提高简单学习算法的分类性能。 它通过组合一组弱分类函数（具有较高分类错误的弱分类器）来形成更强的分类器。最后的强分类器的预测结果是：采用弱分类器的预测值乘以当前分类器的权重的加权组合的形式。 AdaBoost方法的自适应在于：前一个分类器分错的样本会被用来训练下一个分类器 阅读全文

摘要： 1. np.newaxis 的实用 >> x = np.arange(3) >> x array([0, 1, 2]) >> x.shape (3, ) >> x[:, np.newaxis] array([[0], [1], [2]]) 将一维的数组变成二维的，并且np.newaxis 放在y位置 阅读全文

摘要： Laplician Normalization: 阅读全文

摘要： 1. 传统的Auto-Encoders 传统的自动编码机是一个神经网络，它包含一个编码层和一个解码层。编码层将一个点X作为输入，将他转换成一个低维的特征 embedding Z。 解码是将低维的特征表示Z返回成一个重新构建的原始输入 X-hat，尽量使X-hat跟X相似。 下面是手写数字识别的例子： 阅读全文

摘要： 损失算法的选取 损失函数的选取取决于输入标签数据的类型： 如果输入的是实数、无界的值，损失函数使用平方差； 如果输入标签是位矢量（分类标志），使用交叉熵会更适合。 1．均值平方差 在TensorFlow没有单独的MSE函数，不过由于公式比较简单，往往开发者都会自己组合，而且也可以写出n种写法，例如： 阅读全文

摘要： 本文为“SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS”， 作者ThomasN.Kipf。 本文是基于谱的图卷积网络用来解决半监督学习的分类问题，输入为图的邻接矩阵A，和每一个节点的特征向量H 本问对应的代码为 htt 阅读全文

摘要： 1. 变换 在一个二维坐标系里，有一个向量 A = (2,1), (2,1) 这个数和向量图是一个变换。 A（2，1） 表示 这个向量在X方向上有两个单位， Y方向上一个单位。 向量eX*向量eX = 向量eY*向量eY = 1 ex*ey=0, 那么ex和ey表示标准正交基、 2.傅里叶级数：周期 阅读全文

摘要： 正则化是为了防止过拟合。 1. 范数 范数是衡量某个向量空间（或矩阵）中的每个向量以长度或大小。 范数的一般化定义：对实数p>=1， 范数定义如下： L1范数： 当p=1时，是L1范数，其表示某个向量中所有元素绝对值的和。 L2范数： 当p=2时，是L2范数， 表示某个向量中所有元素平方和再开根， 阅读全文