橙子牛奶糖

摘要： 针对高偏差、高方差问题的解决方法： 1、解决高方差问题的方案：增大训练样本量、缩小特征量、增大lambda值 2、解决高偏差问题的方案：增大特征量、增加多项式特征（比如x1*x2,x1的平方等等）、减少lambda值 隐藏层数的选择对于拟合效果的影响： 隐藏层数过少，神经网络简单，参数少，容易出现欠 阅读全文

摘要： 绘制学习曲线非常有用，比如你想检查你的学习算法，运行是否正常。或者你希望改进算法的表现或效果。那么学习曲线就是一种很好的工具。学习曲线可以判断某一个学习算法，是偏差、方差问题，或是二者皆有。 为了绘制一条学习曲线，通常先绘制出训练集数据的平均误差平方和（Jtrain），或者交叉验证集数据的平均误差平 阅读全文

摘要： 算法正则化可以有效地防止过拟合, 但正则化跟算法的偏差和方差又有什么关系呢？下面主要讨论一下方差和偏差两者之间是如何相互影响的、以及和算法的正则化之间的相互关系 假如我们要对高阶的多项式进行拟合，为了防止过拟合现象，我们要使用图下所示的正则化。因此我们试图通过下面的正则化项，来让参数的值尽可能小。正 阅读全文

摘要： 当我们运行一个学习算法时，如果这个算法的表现不理想，那么有两种原因导致：要么偏差比较大、要么方差比较大。换句话说，要么是欠拟合、要么是过拟合。那么这两种情况，哪个和偏差有关、哪个和方差有关，或者是不是和两个都有关，搞清楚这点很重要。能判断出现的情况是这两种中的哪一种，是一个很有效的指示器，指引着可以 阅读全文

摘要： 摘要：如果不设置任何过滤标准的话，SOAPsnp会call出更多的SNVs；AtlasSNP2算法比较严格，因此call出来的SNVs数量是最少的，GATK 和 SAMtools call出来的数量位于SOAPsnp 和 Atlas-SNP2之间；四种calling算法的整体一致性是很低的，尤其在n 阅读全文

摘要： 怎样选用正确的特征构造学习算法或者如何选择学习算法中的正则化参数lambda？这些问题我们称之为模型选择问题。 在对于这一问题的讨论中,我们不仅将数据分为：训练集和测试集，而是将数据分为三个数据组：也就是训练集、验证集和测试集。本节将会介绍这些内容的含义，以及如何使用它们进行模型选择。在前面的学习中 阅读全文

摘要： 外显子后续分析研究思路一般有以下几种（Methods for follow-up research of exome analysis）： 1、对突变频率、突变类型、突变方式进行统计分析 Mutations statistical analysis 具体见下图： 参考文献：Di, Jiabo, et 阅读全文

摘要： 怎样评价我们的学习算法得到的假设以及如何防止过拟合和欠拟合的问题。 当我们确定学习算法的参数时，我们考虑的是选择参数来使训练误差最小化。有人认为，得到一个很小的训练误差一定是一件好事。但其实，仅仅是因为这个假设具有很小的训练误差，当将其样本量扩大时，会发现训练误差变大了，这说明它不是一个好的假设。比 阅读全文

摘要： 假如我们在开发一个机器学习系统，想试着改进一个机器学习系统的性能，我们应该如何决定接下来应该选择哪条道路？ 为了解释这一问题，以预测房价的学习例子。假如我们已经得到学习参数以后，要将我们的假设函数放到一组新的房屋样本上进行测试，这个时候我们会发现在预测房价时，产生了巨大的误差，现在我们的问题是要想改 阅读全文

摘要： 使用神经网络来实现自动驾驶，也就是说使汽车通过学习来自己驾驶。 下图是通过神经网络学习实现自动驾驶的图例讲解： 左下角是汽车所看到的前方的路况图像。左上图，可以看到一条水平的菜单栏（数字4所指示方向），白亮的区段显示的就是人类驾驶者选择的方向。而最右端则对应向右急转的操作（箭头3），中心稍微向左一点 阅读全文