發(fā)簡信
IP屬地：上海
-
損失函數(shù)之交叉熵
一、交叉熵的由來 信息量香農(nóng)提出的“信息熵”， 是用來解決信息量化問題。信息的不確定性越強(qiáng)， 需要用來表達(dá)的數(shù)據(jù)量也就越多。事件的不確定性通常是...
-
深度模型AttentionAttention機(jī)制源于對Seq2Seq模型的幾個(gè)問題優(yōu)化。Seq2Seq是基于Encoder-Decoder架構(gòu)思想實(shí)現(xiàn)。Encoder和D...
-
SVM支持向量機(jī)SVM是數(shù)據(jù)挖掘算法中比較復(fù)雜難懂的，反復(fù)觀看斯坦福機(jī)器學(xué)習(xí)的視頻， 以及網(wǎng)上零散學(xué)習(xí)各種數(shù)學(xué)和SVM相關(guān)資料， 對SVM還只能算有個(gè)粗淺的理解...
-
特征工程之缺失值與離群值處理
缺失值處理方式 刪除 均值缺點(diǎn)：當(dāng)缺失數(shù)據(jù)不是隨機(jī)數(shù)據(jù)時(shí)會(huì)產(chǎn)生偏差.對于正常分布的數(shù)據(jù)可以使用均值代替， 中位值數(shù)據(jù)是傾斜的，使用中位數(shù)比均值可...
-
回歸系列之邏輯回歸
邏輯回歸是回歸系列中一個(gè)分類模型，而且是一個(gè)二分類模型。邏輯回歸模型簡單但應(yīng)用廣泛，本文從模型介紹、適用場景以及優(yōu)缺點(diǎn)等幾個(gè)方面介紹下。 模型介...
-
回歸系列之L1和L2正則化機(jī)器學(xué)習(xí)監(jiān)督算法的基本思路是 讓擬合的模型盡量接近真實(shí)數(shù)據(jù)， 換句更通俗的話, 要讓我們的模型盡量簡單又能很好的反應(yīng)已知數(shù)據(jù)之間關(guān)系。在這個(gè)貼近...
-
回歸系列之梯度下降上一篇文章中，線性回歸關(guān)鍵問題之一：求解系數(shù)的方法梯度下降。梯度下降在數(shù)據(jù)挖掘很多算法中都有應(yīng)用， 屬于比較基本的數(shù)學(xué)基礎(chǔ)方法， 本文對此算法進(jìn)...
-
回歸系列之線性回歸的關(guān)鍵問題
如上篇文章， 嶺回歸、Lasso回歸和ElasticNet 回歸都是以普通的線性回歸為基礎(chǔ)，先列舉下線性回歸的模型公式： 嶺回歸為解決共線性問題...
-
回歸系列之入門篇常見回歸算法基礎(chǔ)概念，參見下如下文章，個(gè)人感覺是介紹比較好的文章： 7 Types of Regression Techniques you s...