原创 如何選擇機器學習算法

1、訓練集有多大 如果是小訓練集，高偏差/低方差的分類器（比如樸素貝葉斯）要比低偏差/高方差的分類器（比如k最近鄰）具有優勢，因爲後者容易過擬合。然而隨着訓練集的增大，低偏差/高方差的分類器將開始具有優勢（它們擁有更低的漸近誤差）

2020-02-22 00:53:47

原创 Racket 常用方法

round 四捨五入 quotient 整除 remainder 餘數 current-inexact-milliseconds 毫秒計 inexact->exact 轉精確數 #e 轉分 #b #o #x 不同進製表示 (nu

2020-02-22 00:53:47 3

原创 Haskell 常用方法

succ 返回後繼元素 pred 返回前驅元素 div 整除商 list函數 head tail last init length null reverse take drop minimum sum pro

2020-02-22 00:53:47 1

原创 6.2 構造核

6.2 構造核 構造核函數的方法有兩種。 一種是選擇一個特徵空間映射 ϕ(x) ，直接寫出對應的核函數： k(x,x′)=ϕ(x)Tϕ(x′)=∑Mi=1ϕi(x)ϕi(x′) 另一種方法是直接構造核函數。在這種情況下，我們必須確保我

2018-09-03 03:39:39

原创 7.1 最大邊緣分類器

7.1 最大邊緣分類器 在前⼀章中，我們研究了許多基於⾮線性核的學習算法。這種算法的⼀個最⼤的侷限性是核函數 k(xn,xm) 必須對所有可能的訓練點對 xn 和 xm 進⾏求值，這在訓練階段的計算上是不可⾏的，並且會使得對新的數據

2018-09-03 03:39:39

原创 5.2 網絡訓練

5.2 網絡訓練 1、誤差函數 最簡單的誤差函數是平方和誤差函數，即： E(ω)=12∑n=1N∥y(xn,ω)−tn∥ 而現在我們要從概率的角度考慮誤差函數的選擇。 ⾸先考慮迴歸問題，只考慮⼀元⽬標變量 t 的情形，其中 t

2018-09-03 03:39:39

原创 解決安裝rails時出現 ERROR: Failed to build gem native extension. 的問題

執行 gem install rails 時出現了錯誤，錯誤信息如下： Fetching: pkg-config-1.1.7.gem (100%) Successfully installed pkg-config-1.1.7 Fetch

2018-09-03 03:39:39

原创 selenium+phantomjs error：OSError: [Errno 9] Bad file descriptor

看了網上各種回答 ，有的說重複調用driver.quit()方法，但是我的代碼裏真的只調用了一次，所以只能當做selenium自身的bug了。 解決方法是： import signal ...(your code) driver.ser

2018-09-03 03:39:39

原创 6.3 徑向基函數網絡

6.3 徑向基函數網絡 1、徑向基函數 徑向基函數中，每⼀個基函數只依賴於樣本和中心 μj 之間的徑向距離（通常是歐⼏⾥得距離），即 ϕj(x)=h(∥x−x′∥) 。 歷史上，徑向基函數被用來進行精確的函數內插。給定⼀組輸⼊向量 {

2018-09-03 03:39:35

原创 5.6 混合密度網絡

5.6 混合密度網絡 之前的建模中都把條件概率分佈選爲高斯分佈，但在實際的機器學習中，經常會遇到與⾼斯分佈差別相當⼤的概率分佈。例如，在逆問題（ inverse problem ）中，概率分佈可以是多峯的，這種情況下，⾼斯分佈的假設就會產

2018-09-03 03:39:35

原创 6.4 高斯過程

6.4 高斯過程 1、重新考慮線性迴歸問題 考慮⼀個模型M，它被定義爲由向量 ϕ(x) 的元素給出的M個固定基函數的線性組合，即: y(x)=ωTϕ(x) 現在，考慮 ω 上的⼀個先驗概率分佈，這個分佈是⼀個各向同性的⾼斯分佈，形

2018-09-03 03:39:35 1

原创 angr資源

https://zhuanlan.zhihu.com/p/25192237 https://www.anquanke.com/post/id/85039 http://bestwing.me/2017/03/08/angr-study/

2018-09-03 03:39:35 4

原创 lecture2.b --- 感知器

。。。

2018-09-03 03:39:35 1

原创 lecture2.a --- 神經網絡結構的分類

1、前饋神經網絡（Feed-forward neural networks） 前饋神經網絡是實際應用中最常見的網絡結構，它包含一個輸入層（input units），一個輸出層（output units）和一到多個隱含層（hidden un

2018-09-03 03:39:35