用户176760928501

可以发现训练好的回归模型将X_new1预测为了类别0（判别面左下侧），X_new2预测为了类别1（判别面右上侧）。其训练得到的逻辑回归模型的概率为0.5的判别面为上图中蓝色...

文章来自：微信公众号【机器学习炼丹术】1什么是非均衡28种解决办法2.1重采样（四种方法）2.2调整损失函数2.3异常值检测框架2.4二分类变成多分类2.5EasyEnse...

本文的重点排序方法在：冒泡排序，归并排序，快速排序，桶排序。 比较类排序：通过比较来决定元素间的相对次序，由于其时间复杂度不能突破O(nlogn)，因此也称为非线性时间比较...

梯度消失问题和梯度爆炸问题，总的来说可以称为梯度不稳定问题。 【要背住的知识】：用ReLU代替Sigmoid，用BN层，用残差结构解决梯度消失问题。梯度爆炸问题的话，可以用...

文章来自：微信公众号【机器学习炼丹术】。关注回复【加群】，即可加入AI初学者交流群。 TP:true positive。预测是正确的正样本 FP:false positiv...

文章来自：微信公众号【机器学习炼丹术】。关注回复【加群】，即可加入AI初学者交流群。 其实关于BN层，我在之前的文章“梯度爆炸”那一篇中已经涉及到了，但是鉴于面试经历中多次...

文章来自：微信公众号【机器学习炼丹术】。关注回复【加群】，即可加入AI初学者交流群。 写文章的目的在于之前面试的时候，提到某一个时间序列项目的特征工程处理。我说的大多数都是...

CLAHE是一个比较有意思的图像增强的方法，主要用在医学图像上面。之前的比赛中，用到了这个，但是对其算法原理不甚了解。在这里做一个复盘。 CLAHE的英文是Contrast...

文章来自：微信公众号【机器学习炼丹术】。关注回复【加群】，即可加入AI初学者交流群。 这一段完全是废话了。含有缺失数据的样本，你要么删了，要了就填充上什么值。删了就会损失一...

文章来自：微信公众号【机器学习炼丹术】。关注回复【加群】，即可加入AI初学者交流群。 NMS的英文是Non-maximum suppression的缩写。 简单的说，就是模...

文章来自：微信公众号【机器学习炼丹术】。关注回复【加群】，即可加入AI初学者交流群。 本文主要是回顾一下一些经典的CNN网络的主要贡献。 在传统网络中，神经网络都是通过增加...

文章来自：微信公众号【机器学习炼丹术】。关注回复【加群】，即可加入AI初学者交流群。 最常用的Adam优化器，有着收敛速度快、调参容易等优点，但是也存在经常被人吐槽的泛化性...

文章来自：微信公众号【机器学习炼丹术】。关注回复【加群】，即可加入AI初学者交流群。 【概述】：这是一种通过梯度下降改善深度学习泛化能力的方法，而且不会要求额外的计算量，可...

焦点损失函数 Focal Loss（2017年何凯明大佬的论文）被提出用于密集物体检测任务。 当然，在目标检测中，可能待检测物体有1000个类别，然而你想要识别出来的物体，...

文章来自：微信公众号【机器学习炼丹术】。关注回复【加群】，即可加入AI初学者交流群。 分类(classification)问题是数据挖掘领域中非常重要的一类问题，目前有琳琅...

【前言】：文章来自：微信公众号【机器学习炼丹术】。公众号的AI初学者交流群已经建立啦，公众号后台回复【加群】可以加入。群里都是些一起学习的朋友，有跨专业的学生、也有已经工作...

总的来说，GN是对BN的改进，是IN和LN的均衡。 这里简单的介绍一下BN，在之前的文章中已经详细的介绍了BN算法和过程。 BN于2015年由 Google 提出，Goog...

随机森林中仍有两个未解之谜（对我来说）。随机森林采用的bagging思想中怎么得到的62.3% 以及 随机森林和bagging的方法是否有区别。 习惯上，我们将众多分类器(...