-
《深度学习》拟合，欠拟合笔记
过拟合，欠拟合过拟合（overfitting）：学习能力过强，以至于把训练样本所包含的不太一般的特性都学到了。欠拟合（underfitting）：学习能太差，训练样本的一般性质尚未学好。下面是直观解释：
-
吴恩达机器学习——多元线性回归
多元线性回归 多元线性回归适用于多变量，多特征量的应用场景。 一些数学符号定义 n表示变量的数目； m表示样本数目； x(i)表示第i个训练样本：如x(2) = [1416， 3， 2， 40]； xj(i)表示第i个训练样本的第j个变量，如上述的x3(2)=2。 多元线性回归问题
-
提交特征工程作业 - 推荐系统 RES
提交特征工程作业 功能介绍 该接口用于特征工程处理，包含数据预处理，特征提取和排序训练样本生成等。 URI POST /v1/{project_id}/etl-job 参数说明请参见表1。 表1 URI参数说明 名称 是否必选 类型 说明 project_id 是 String
-
机器学习算法：AdaBoost
aBoost是监督学习中最强大的两种算法之一（另一个是支持向量机SVM）。AdaBoost的训练过程如下：为每个训练样本初始化相同的权重；针对训练样本及权重，找到一个弱分类器；计算出这个弱分类器的错误率ε与权重α；对正确分类的样本，降低其权重，对错误分类的样本，提升其权重；返回2
-
深度学习炼丹-不平衡样本的处理
前言 在机器学习的经典假设中往往假设训练样本各类别数目是均衡的，但在实际场景中，训练样本数据往往都是不均衡（不平衡）的。比如在图像二分类问题中，一个极端的例子是，训练集中有 95 个正样本，但是负样本只有 5 个。这种类别数据不均衡的情况下，如果不做不平衡样本的处理，会导致模型
-
从零开始学Pytorch（十五）之数据增强
图像增广 在深度卷积神经网络里我们提到过，大规模数据集是成功应用深度神经网络的前提。图像增广（image augmentation）技术通过对训练图像做一系列随机改变，来产生相似但又不同的训练样本，从而扩大训练数据集的规模。图像增广的另一种解释是，随机改变训练样本可以降低模型对
-
【PyTorch基础教程8】dataset和dataloader（学不会来打我啊）
学习心得 （1）mini-batch：外层for为训练周期，内层for迭代mini-batch。 1）epoch：将所有的训练样本都进行了一次前向传递和反向传播，是一个epoch。 2）Batch-size：每次训练所用的样本数量 3）Iteration：内层for执行的次数。
-
深度学习之k-均值聚类
{µ(1), . . . , µ(k)}，然后迭代交换两个不同的步骤直到收敛。步骤一，每个训练样本分配到最近的中心点 µ(i) 所代表的聚类 i。步骤二，每一个中心点 µ(i) 更新为聚类 i 中所有训练样本 x(j) 的均值。
-
地球引擎高级教程——获取各波段的光谱特征图（可视化每个类别的每个波段的平均光谱）含值提取至点操作
性。如果类具有非常不同的签名，分类器将能够很好地将它们分开。 我们还可以绘制一个类的所有训练样本的光谱特征并检查训练数据集的质量。如果所有训练样本都显示相似的特征，则表明您在收集适当的样本方面做得很好。您还可以从这些图中捕捉潜在的异常值。 这些图表为检查类的可分离性提供了一种
-
【MindSpore易点通】深度学习系列：深度神经网络
绍过机器学习算法，用一个合适的损失函数来度量训练样本的输出损失，接着对这个损失函数进行优化求最小化的极值，大家是不是对这个并不陌生？！对DNN的损失函数用梯度下降法进行迭代优化求极小值的过程就是反向传播算法。在进行DNN反向传播算法前，需要选择一个损失函数，来度量训练样本计算出的
-
深度学习之最近邻回归
些噪扰。在监督学习中，从x 到 y 的映射可能内在是随机的，或者 y 可能是包括 x 在内还有其他变量的确定性函数。从预先知道的真实分布 p(x, y) 预测而出现的误差被称为贝叶斯误差 。训练误差和泛化误差会随训练集的大小发生变化。泛化误差的期望不会随着训练样本数目的增加而增加
-
深度学习之泛化误差
算能力的增速，机器学习应用每个样本只使用一次的情况变得越来越常见，甚至是不完整地使用训练集。在使用一个非常大的训练集时，过拟合不再是问题，而欠拟合和计算效率变成了主要的顾虑。读者也可以参考 Bottou and Bousquet (2008a) 中关于训练样本数目增长时，泛化误差上计算瓶颈影响的讨论。
-
华为云职业认证-华为云开发者学堂
HCIE-Cloud Service Solutions Architect 认证流程 认证价值 收获知识 认证体系覆盖多个前沿热门技术领域，通过学习，学员能紧跟技术发展趋势，获取最新的技术知识 收获技能 基于不同角色设计，理论知识与实践技能并重，采用笔试、实验、面试等考试形式，综合提升学员技能
-
深度学习之apnik-Chervonenkis 维度
x 点的训练集，分类器可以任意地标记该 m 个不同的 x 点，VC维被定义为 m 的最大可能值。量化模型的容量使得统计学习理论可以进行量化预测。统计学习理论中最重要的结论阐述了训练误差和泛化误差之间差异的上界随着模型容量增长而增长，但随着训练样本增多而下降 (Vapnik and
-
深度学习之多任务学习
多任务学习 (Caruana, 1993) 是通过合并几个任务中的样例（可以视为对参数施加的软约束）来提高泛化的一种方式。额外的训练样本以同样的方式将模型的参数推向泛化更好的方向，当模型的一部分在任务之间共享时，模型的这一部分更多地被约束为良好的值（假设共享是合理的），往往能更好
-
数据准备 - 可信智能计算服务 TICS
的扩充。下表为扩充过后的数据集统计信息。 乳腺癌数据集统计信息。 统计量 取值 特征数目 30 xx医院的训练样本数目 7366 其他机构的训练样本数目 7366 测试集样本数目 7257 操作步骤 进入TICS服务控制台。 在计算节点管理中，找到购买的计算节点，通过登录地址，进入计算节点控制台。
-
深度学习笔记之评估方差
移。实践中，先验通常表现为偏好更简单或更光滑的模型。对贝叶斯方法的批判认为先验是人为主观判断影响预测的来源。当训练数据很有限时，贝叶斯方法通常泛化得更好，但是当训练样本数目很大时，通常会有很高的计算代价。
-
深度学习之非精度梯度
大多数优化算法的先决条件都是我们知道精确的梯度或是Hessian 矩阵。在实践中，通常这些量会有噪声，甚至是有偏的估计。几乎每一个深度学习算法都需要基于采样的估计，至少使用训练样本的小批量来计算梯度。在其他情况，我们希望最小化的目标函数实际上是难以处理的。当目标函数不可解时，通常
-
《深度学习笔记》的笔记（三）：梯度下降的发展
(GD)：最基本的优化算法，通过更新参数使损失函数最小化。它需要计算所有训练样本的梯度，并在每个迭代中更新参数。小批量梯度下降 (MBGD)：小批量梯度下降是梯度下降的一种变体，它一次只使用一定数量的训练样本计算梯度，并在每个迭代中更新参数，这个数量就是批量大小。相比于GD，MB
-
AI平台ModelArts资源
获取海量开发者技术资源、工具 开发者计划 使能开发者基于开放能力进行技术创新 开发支持 专业高效的开发者在线技术支持服务 开发者学堂 云上学习、实验、认证的知识服务中心 开发者活动 开发者实训、热门活动专区 社区论坛 专家技术布道、开发者交流分享的平台 文档下载 AI平台ModelArts文档下载
检测到您已登录华为云国际站账号，为了您更好的体验，建议您访问国际站服务网站 https://www.huaweicloud.com/intl/zh-cn
不再显示此消息
