- 博客(8)
- 收藏
- 关注
RSS订阅原创 U-NET：图像语义分割
卷积：用卷积核去“卷”图像，即为提取图像的特征。卷积后会出现三种结果：结果图像比原图小（valid卷积），结果图像与原图大小相同（same卷积），结果图像比原图大（full卷积）。在卷积后需要激活，就是用激励层（激活函数Relu）把卷积层输出结果做非线性映射。激活函数是用来加入非线性因素的，因为线性模型的表达能力不够。池化层：夹在连续的卷积层中间， 用于压缩数据和参数的量，减小过拟合。简而言之，如果输入是图像的话，那么池化层的最主要作用就是压缩图像。一般有最大池化（Max Pooling）和平均池化。
2022-12-27 21:44:31
645
1
原创 LSTM初探
LSTM（长短时记忆网络，long short term memory）是一种时间递归神经网络，属于循环神经网络，适合用于处理和预测时间序列的事件，特点在于解决长依赖问题。LSTM能够解决长期依赖问题是因为引入了“门”机制（在训练过程中会去学习该保存或遗忘哪些信息，主要是一个sigmoid层和一个点乘操作的组合）来控制特征的流通和损失。
2022-12-23 16:28:46
274
原创 数据集分布
在学术中，使用的大部分数据集都是平衡的。也就是在监督学习中，每一类别通常有数据相同的样本。同样，在学术中，数据集中每一类别的分类错误的成本通常事一样的。但实际中完全不是这样的。不平衡的数据集会导致错分成本上升。如何解决数据集分布不平衡的问题？
2022-12-14 06:45:00
374
原创 分类算法之决策树
决策树（Decision Tree）是一种常见的机器学习方法，它既可以用来做分类，也可以做回归分析。在本文中主要从分类的角度学习决策树。
2022-12-12 06:30:00
242
原创 一文读懂梯度下降
梯度下降法是一种常用的一阶(first-order)优化方法，该算法从任一点开始，沿该点梯度的反方向运动一段距离，再沿新位置的梯度反方向运行一段距离 ...... 如此迭代。（对多元函数的参数求∂偏导数，把求得的各个参数的偏导数以向量的形式写出来），向量有方向，梯度的方向就指出了函数在给定点的上升最快的方向。梯度的方向是函数在给定点上升最快的方向，那么。在求解机器学习算法的模型参数（可以理解为求解一个无约束优化问题）时，求解最小损失函数最常采用梯度下降的方法，另一种常用的方法是最小二乘法。
2022-12-10 21:46:27
197
原创 K-近邻（KNN）算法
目录前言1、kNN算法总结2、三要素2.1. 距离度量：描述最邻近2.2. k的大小2.3. 分类规则3 场外:kNN最重要的特征工程——特征归一化假设如下图，有两类不同的样本数据，分别用蓝色的小正方形和红色的小三角形表示，而图正中间的那个绿色的圆所标示的数据则是待分类的数据。如上图：输入：输出：从kNN的算法描述中可以发现，在KNN算法中有三个要素很重要，分别是距离度量，k的大小和分类规则。距离度量有很多种方式，要根据具体情况选择合适的距离度量方式。常用的是闵可夫斯基距离：如果k值较小，就相当于用较小邻域
2022-12-09 10:39:59
991
原创 K-Means算法解析
K-means 是常用的基于欧式距离的聚类算法，其认为两个目标的距离越近，相似度越大，属于无监督学习方法。在K-Means算法中，簇的个数K是一个超参数，需要人为输入来确定。K-Means的核心任务就是根据设定好的K，找出K个最优的质心，并将离这些质心最近的数据分别分配到这些质心代表的簇中去。 从K-Means的算法流程中可以发现，k值的选择、初始质心点、中止条件对分类结果的影响较大。 K 值的选取对 K-means 影响很大，这也是 K-means 算法调优的重点，常见的选取 K 值的方法有：手肘
2022-12-08 10:03:52
1074
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人