摘要：
@ PaddleOCR简介 PaddleOCR分为文本检测、文本识别和方向分类器三部分，其中文本检测有三个模型，分别是MobileNetV3、ResNet18_vd和ResNet50，其中最常使用的是MobileNetV3模型，整体比较小，适合应用于手机端。文本识别只有一个MobileNetV3预训 阅读全文
摘要：
模型评估标准 混淆矩阵 预测值=1 预测值=0 真实值=1 TP FN 真实值=0 FP TN TP=True Postive=真阳性;FP=False Positive=假阳性 TN = True Negative=假阴性;FN=False Negative=假阴性 什么是查准率/精确率 \[ P 阅读全文
摘要：
过拟合（overfitting） 什么是过拟合？ 所谓过拟合就是指在验证集和训练集上表现很好，但是在测试集上表现很差，也就是说泛化能力差。一般表现为: 高方差，低偏差 过拟合的原因 训练样本选取有误、样本标签错误等 样本噪声干扰过大 模型过于复杂 对于神经网络来说: 学习迭代次数太多 如何防止/解决 阅读全文
摘要：
@ 什么是逻辑回归？ 首先，什么是逻辑回归呢？ 当你看到这个名字的时候，你可能会被他误导，认为他是做回归的，实际上，他是一个分类模型。只不过他是在线性回归的基础上进行了扩展，使其可以进行分类了而已。 同样的，逻辑回归的与线性回归一样，也是以线性函数为基础的；而与线性回归不同的是，逻辑回归在线性函数的 阅读全文
摘要：
线性回归, 最简单的机器学习算法, 当你看完这篇文章, 你就会发现, 线性回归是多么的简单. 首先, 什么是线性回归. 简单的说, 就是在坐标系中有很多点, 线性回归的目的就是找到一条线使得这些点都在这条直线上或者直线的周围, 这就是线性回归(Linear Regression). 是不是有画面感了 阅读全文
摘要：
@ 所谓随机梯度下降, 顾名思义, 就是随机选取数据来做随机梯度下降. 普通梯度下降 普通的梯度下降的计算公式为: \[ \omega = \omega - \lambda\frac{\partial J}{\omega} \] 其中, $J$为损失函数, 而$\omega$就是我们需要求的参数, 阅读全文
摘要：
全量梯度下降/批梯度下降(BGD, Batch Gradient Descent) 就是正常的梯度下降 \[ \omega = \omega-\lambda\frac{\partial J}{\partial\omega} \] 特点 每次更新都会朝着正确的方向进行, 最后收敛于极值点, 凸函数收敛 阅读全文
摘要：
本人博客: https://xiaoxiablogs.top sigmoid \[ f(z)=\frac1{1+e^{-z}} \] 其图像如下: 特点 能够将输入的连续实值变换为0到1之间的输出 缺点 在深度神经网络中梯度反向传播是容易造成梯度爆炸和梯度消失 sigmoid导数 \[ f'(z) 阅读全文
摘要：
因为很多时候,读者对于书籍的分类与编辑对书籍的分类不同,比如《具体数学》这本书，有的人认为是数学, 有的人认为属于计算机.内容是属于数学的,而大多数读者属于计算机. 编辑的分类是从内容上出发的, 而不是从书的读者出发. 如果我们从数据出发的,自动地找到那些类,然后进行个性化推荐的技术就是隐含语义分析 阅读全文
摘要：
数据挖掘的五大流程 获取数据 数据预处理 数据预处理是从数据中检测,纠正或删除孙华,不准确或不适用于模型的记录的过程 目的: 让数据适应模型, 匹配模型的需求 特征工程 特征工程是将原始数据转换为更能代表预测模型的潜在无问题的特征的过程, 可以通过挑选最相关的特征,提取特征以及创造特征来实现. 目的 阅读全文