完美_并不美

1. 由于CNN网络对输入图像尺寸的固定，所以对于每张图片生成的2000个候选区域，需要进行缩放、扭曲等操作来resize到CNN网络所要求的输入尺寸（224*224），这样就会导致一些特征的丢失，改变，从而影响精确度 2. R-CNN算法中，在通过CNN网络进行特征提取时，需…

首先，关于win10下深度学习基本环境的搭建，比如，anaconda， Tensorflow CPU或GPU版本，pycharm等安装这块就不说了，网上的教程很多。 欢迎关注我的个人公众号 AI计算机视觉工坊，本公众号不定期推送机器学习，深度学习，计算机视觉等相关文章，欢迎大家…

论文中提到，因为实际标签数据太少，远远不够去训练一个大型的CNN网络模型，所以需要先借助ImageNet数据集进行训练CNN网络，也就是预训练过程，然后再在自己的数据集上针对特定任务进行微调，也就是调优。这是在训练数据稀少的情况下一个非常有效的训练大型卷积神经网络的方法 2. …

说到特征工程，就不得不提有这么一句话在业界广泛流传：数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已，从而可见，特征工程的重要程度。 特征： 是指数据中抽取出来的对结果预测有用的信息，也就是数据的相关属性。 在确定好我们的目标后，我们首先要做的就是根据业务场景，…

下面介绍一种降维算法，即PCA(主成分分析)。 在机器学习中，有一种问题被称为维数灾难，在实际机器学习项目中，我们要处理的的样本数据的维数可能是成千上万，甚至几十万或者更多的，这种情况下，直接对原始样本数据进行训练建模会耗费大量时间，对应的资源消耗是不可接受，这个时候，我们就需…

下面我们来分模块进行实现。 下来我们实现下，根据对应特征，划分数据。需要分两种情况 连续型数据，需要参照数据离散化，选出最优的划分值。具体原理可查看上篇文章中的连续型特征处理 但是，这样真的好吗？正如上篇文章说的，决策树如果不进行剪枝的话，肯定最后会一直分下去，直到所分的各个数…

决策树是一种常见的机器学习方法，它是从根节点开始，一步一步决策，直到走到叶子节点。 最终，所有的样本数据都会落到叶子节点，显然，决策过程的最终结论对应了我们所希望的判定结果 。 它即可以做分类问题，也可以做回归问题。 一般，一棵决策树包含一个根节点，若干个内部节点（非叶子节点）…

现在有一批经过处理后的信用卡用户交易数据，我们需要通过这些数据学习一个模型，可以用来预测新的一条交易数据是否涉嫌信用卡欺诈。 可以看到，总共有284807个样本，每个样本有31个特征，其中V1到V28 这28个特征，是已经经过处理加密后的干净数据，虽然不知道具体代表什么意思，但…

首先需要说明，逻辑回归属于分类算法。分类问题和回归问题的区别在于，分类问题的输出是离散的，如（0，1，2，...）而回归问题的输出是连续的。 逻辑回归是在线性回归的基础上，转化而来的。它是用来解决经典的二分类问题 我们将输出结果可能属于的两个类分别称为负向类（negative …