摸鱼匠与炼丹侠

摘要： •数据预处理的几种方法： StandardScaler：确保每个特征的平均值为0，方差为1，使得所有特征在同一量级。但不能保证特征任何特定的最大值和最小值。 RobustScaler：与StandardScaler类似，确保每个特征的统计属性在同一范围，但使用中位数和四分位数。会忽略数据中的异常值。 阅读全文

摘要： •感知机的多个输入信号都有各自固有的权重，这些权重发挥着控制各个信号的重要性的作用。 即权重越大，对应 该权重的 信号的重要性就越高。 •偏置b用来调整神经元被激活的容易程度 •单层感知机的局限性在于只能分割表示线性空间， 多层感知机可以表示非线性空间。 阅读全文

摘要： •mxnet环境搭建帖 在anaconda5.0.1下搭建mxnet (pip版本)：http://notes.kohill.cn/mxnet_install CUDA 10.0安装教程：https://blog.csdn.net/shuiyixin/article/details/99935799 阅读全文

摘要： •图像处理三阶段： ①低级：图像预处理，譬如图像降噪、对比度增强、图像尖锐化，以输入和输出都是图像为特点。 ②中级：对图像进行进一步处理，譬如分割，分类等，以输入为图像但输出是从这些图像中提取的特征。 ③高级：理解识别的图像。 阅读全文

摘要： •分类器的不确定度 决策函数(decision_function)： 二分类：返回类型为(n_samples, )，为每个样本返回一个浮点数，这个浮点数的正负号代表了预测的分类，值的大小代表了置信度。 多分类：返回类型为(n_samples, n_classes)，每一列对应每个类别的“确定度分数” 阅读全文

摘要： •mlp = MLPClassifier(solver = 'lbfgs', random_state = 0) {‘lbfgs’，‘sgd’，‘adam’}，默认’adam’。权重优化的求解器：'lbfgs’是准牛顿方法族的优化器；'sgd’指的是随机梯度下降。'adam’是指由Kingma，Di 阅读全文

摘要： •xscale/yscale对数和其它非线性轴 import numpy as np import matplotlib.pyplot as plt #生成一些区间 [0,1]内的数据 y = np.random.normal(loc=0.5, scale=0.4, size=1000) y = y 阅读全文

摘要： •核技巧（kernel trick） 所要解决的问题：向原始数据中添加非线性特征，可以让线性模型变得更强大，但不知道要添加哪些特征，若添加过多的特征。计算开销会很大 原理：直接计算扩展特征表示中数据点之间的距离，而不用实际对扩展进行计算 方法： ①多项式核，在一定阶数内计算原始特征所有可能的多项式； 阅读全文

摘要： •XX, YY = np.meshgrid(xx, yy) meshgrid()函数用两个坐标轴上的点在平面上画网格 https://www.cnblogs.com/shanlizi/p/9127878.html •ax.plot_surface(XX, YY, ZZ, rstride = 8, c 阅读全文

摘要： •hstack(tup) ，参数tup可以是元组，列表，或者numpy数组，返回结果为numpy的数组。 import numpy as np arr1 = np.array([1, 2, 3]) arr2 = np.array([4, 5, 6]) res = np.hstack((arr1, a 阅读全文