發(fā)簡信
IP屬地：北京
-
K近鄰法算法簡介 給定一個(gè)訓(xùn)練數(shù)據(jù)集，對(duì)新的輸入實(shí)例，在訓(xùn)練數(shù)據(jù)集中找到與該實(shí)例最鄰近的k個(gè)實(shí)例，這k個(gè)實(shí)例的多數(shù)屬于某個(gè)類，就把該輸入實(shí)例分為這個(gè)類。...
-
邏輯回歸邏輯回歸模型 g代表邏輯函數(shù)，常用的邏輯函數(shù)為sigmoid函數(shù)，如下： h0(x)大于等于0.5時(shí)，預(yù)測為1；h0(x)小于0.5時(shí)，預(yù)測為0...
-
線性回歸線性回歸模型 x1,x2...是我們所選取的特征，h(x)是我們所建立的模型，其中有n+1個(gè)參數(shù)。令x0=1,則 損失函數(shù) 作為損失函數(shù)，我們的...
-
Attention機(jī)制簡介
概括地說，在神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)預(yù)測任務(wù)時(shí)，引入Attention（注意力）機(jī)制能使訓(xùn)練重點(diǎn)集中在輸入數(shù)據(jù)的相關(guān)部分，而不是無關(guān)部分。 比如說，你將很長...
-
Seq2Seq模型簡介
Seq2Seq模型是RNN最重要的一個(gè)變種：N vs M（輸入與輸出序列長度不同）。 這種結(jié)構(gòu)又叫Encoder-Decoder模型。 原始的N...
-
CNN卷積神經(jīng)網(wǎng)絡(luò)全連接神經(jīng)網(wǎng)絡(luò) 在利用全連接神經(jīng)網(wǎng)絡(luò)進(jìn)行圖像分類時(shí)，網(wǎng)絡(luò)中的神經(jīng)元與相鄰的層上的每個(gè)神經(jīng)元均連接： 輸入層代表每個(gè)像素，這種網(wǎng)絡(luò)結(jié)構(gòu)未考慮每個(gè)像...
-
K-Means聚類算法原理簡介 對(duì)于給定的樣本集，按照樣本之間的距離大小，將樣本集劃分為K個(gè)簇。讓簇內(nèi)的點(diǎn)盡量緊密的連在一起，而讓簇間的距離盡量的大。 如果用數(shù)據(jù)表達(dá)...
-
信息增益法
信息熵 在文本分類中，假設(shè)文本共k類，每類出現(xiàn)的概率是： 其中每個(gè)類別的信息熵計(jì)算公式： 信息熵代表了不不確定性，不確定性越大，信息熵越大。 假...
-
情感傾向PMI算法
點(diǎn)互信息算法（PMI） 基本思想：是統(tǒng)計(jì)兩個(gè)詞語在文本中同時(shí)出現(xiàn)的概率，如果概率越大，其相關(guān)性就越緊密，關(guān)聯(lián)度越高。 PMI > 0；兩個(gè)詞語是...