307浏览
0点赞
Transductive learning 直推式学习
Transductive learning (直推式学习)。直推是从观测到的特定数据到特定数据的推理。直推学习与归纳学习不同的是，训练数据和测试数据在之前都已经可以观测，我们从已知的训练数据学习特征来预测测试集标签。即使我们
tianjing2020 11-02 16:44
270浏览
0点赞
Inductive learning 归纳式学习
Inductive learning (归纳式学习)。归纳是从已观测到的数据到一般数据的推理，归纳学习即我们平时所说的监督学习，使用带有标签的数据进行模型训练，然后使用训练好的模型预测测试集数据的标签，训练集数据不包含测
11-02 16:43
302浏览
0点赞
multiple linear regression 多元回归分析
1.与简单线性回归区别(simple linear regression) 多个自变量(x)2. 多元回归模型y=β0＋β１x1+β2x2+ … +βpxp+ε其中：β0，β１，β2… βp是参数ε是误差值3. 多元回归方程E(y)=β0＋β１x1+β2x2+ … +βpxp4.
11-02 16:41
305浏览
0点赞
强化学习之 score function
score function定义，就是说score function是求最大对数似然函数中让对数似然函数梯度等于0的梯度。就是说，求解最大似然问题就是求解score function2、再对参数求导，就会得到Fisher Information ，FIM是SF的负导数
11-01 22:37
292浏览
1点赞
符号主义 Symbolism
符号主义是人工智能领域中坚信数理逻辑的一个流派。数理逻辑从 19 世纪末起得以迅速发展，到 20 世纪 30 年代开始用于描述智能行为。计算机出现后，又在计算机上实现了逻辑演绎系统。其有代表性的成果为启发式程序 L
11-01 22:34
273浏览
0点赞
分层抽样 Stratified sampling
统计学理论中，分层抽样针对的是对一个总体（population）进行抽样的方法。尤其适用于当总体内部，子总体（subpopulations）间差异较大时。每一个 subpopulation，也称为层（stratum）。L|表示层的数量，其中 分别指
11-01 22:33
536浏览
1点赞
欠采样（undersampling）和过采样（oversampling）
当二分类数据不均衡时会影响模型的输出，此时需要对数据进行处理。1：为什么类别不平横会影响模型的输出：许多模型的输出类别是基于阈值的，例如逻辑回归中小于0.5的为反例，大于则为正例。在数据不平衡时，默认的阈
11-01 22:24
1423浏览
3点赞
SOM 自组织映射神经网络
自组织映射(Self-organizing map, SOM)通过学习输入空间中的数据，生成一个低维、离散的映射(Map)，从某种程度上也可看成一种降维算法。SOM是一种无监督的人工神经网络。不同于一般神经网络基于损失函数的反向传递来
11-01 20:32
1400浏览
1点赞
Mean Squared Error 均方误差
MSE （Mean Squared Error）叫做均方误差。看公式这里的y是测试集上的。用 真实值-预测值 然后平方之后求和平均。猛着看一下这个公式是不是觉得眼熟，这不就是线性回归的损失函数嘛！！！ 对，在线性回归的时候我们
11-01 18:00
373浏览
1点赞
bayesian Network 贝叶斯网
贝叶斯网络(Bayesian network)，又称信念网络(Belief Network)，或有向无环图模型(directed acyclic graphical model)，是一种概率图模型，于1985年由Judea Pearl首先提出。它是一种模拟人类推理过程中因果关系的不
11-01 17:51
289浏览
0点赞
非凸优化 凸优化
数学中最优化问题的一般表述是求取，使，其中是n维向量，是的可行域，是上的实值函数。 凸优化 问题是指是 闭合的凸集 且是上的 凸函数 的最优化问题，这两个条件任一不满足则该问题即为非凸的最优化问题。 其中，是
11-01 17:50
290浏览
0点赞
One-shot Learning 单样本学习
在我们解决任何问题之前，我们应该精准的定义处这个问题到底是什么，下面是单样本分类问题的符号化表示： 我们的模型只获得了很少的标记的训练样本S，它有N个样本，每个相同维度的向量有一个对应的标签y再给出一个待
11-01 17:48
260浏览
2点赞
inductive bias 归纳偏置/归纳偏差
“归纳偏差”中的“偏差”容易让人想到数据估计中估计值与真实值的差别error，会让人认为“归纳偏差”是某种需要被规避的错误、误差，但事实并非如此，inductive bias在机器学习中起到的是积极作用。更合适的翻译应
11-01 17:45
601浏览
1点赞
增量学习特点 Incremental Learning
增量学习和持续学习(Continual Learning)、终身学习(Lifelong Learning)的概念大致是等价的，它们都是在连续的数据流中训练模型，随着时间的推移，更多的数据逐渐可用，同时旧数据可能由于存储限制或隐私保护等原因
11-01 13:01
255浏览
0点赞
增量学习 Incremental Learning
增量学习的能力就是能够不断地处理现实世界中连续的信息流，在吸收新知识的同时保留甚至整合、优化旧知识的能力。在机器学习领域，增量学习致力于解决模型训练的一个普遍缺陷：「灾难性遗忘(catastrophic forgetting
payititi-AI助手 11-01 12:59
299浏览
0点赞
真阳率 true positive rate，假阳率 false positive rate
概念其实是从医学那边引入到机器学习里面的，所以其思维逻辑多多少少会跟做机器学习的有点出入。我们去看病，化验单或报告单会出现（+）跟（-），其分别表型阳性和阴性。比如你去检查是不是得了某种病，阳性（+）就
11-01 12:47
197浏览
1点赞
Paired t-Test 配对 t 检验
配对 t 检验是一种常见的 t 检验方法，它是指在不同条件下，对同一个整体获取的样本进行分析，以评价条件对其的影响，其中包括不同存放环境、不同测量系统等，此外，t 检验还包括单样本 t 检验、多样本 t 检验等。配
11-01 12:40
233浏览
1点赞
样本空间 Sample Space
样本空间是随机试验所有可能结果的集合，随机试验中的每个可能结果即样本点，样本空间里可以进行加法运算，可以进行数乘（除）运算，可以求平均值。如果抛掷一枚硬币，那么样本空间就是集合 {正面，反面}；如果投掷
beibei000 11-27 15:54
218浏览
0点赞
Base learner 基学习器
一般的基学习器可以由 Logistic回归，决策树，SVM，神经网络，贝叶斯分类器，K-近邻等构成。如果个体学习器是从同种学习算法从训练数据中产生，则可称为同质集成，此时的个体学习器也称作基学习器；集成也可以包含不
11-01 12:35
348浏览
0点赞
Gaussian kernel function 高斯核函数
高斯核函数是一种常用的核函数，它可以将有限维数据映射到高维空间，高斯核函数定义如下：上述公式涉及到两个向量的欧式距离计算，而且，高斯核函数是两个向量欧式距离的单调函数。σ 是带宽，控制径向作用范围，换
11-01 12:31
条内容