regularization

ML---正则化

Coursera公开课笔记:斯坦福大学机器学习第七课“正则化(Regularization)”斯坦福大学机器学习第七课"正则化“学习笔记，本次课程主要包括4部分：1)TheProblemofOverfitting
Chem0527·2016-06-28 21:57

MachineLearning

2.L1范数是指向量中各个元素绝对值之和，也有个美称叫“稀疏规则算子”（Lassoregularization）(L0,L1可以实现参数矩阵W的稀疏化，即更多的0值，这样有利于**特征选择(FeatureSelection
榆鸦k·2016-06-20 16:19

Dropout 与 DropConnect

参考原文：RegularizationofNeuralNetworksusingDropConnect现在总结一下，其实在实验中我们经常使用的是dropout（(Hintonetal.,2012).）方法
losteng·2016-05-28 17:51

机器学习中正则化方法简介：L1和L2正则化(regularization)、数据集扩增、dropout

正则化方法：防止过拟合，提高泛化能力在训练数据不够多时，或者overtraining时，常常会导致overfitting（过拟合）。其直观的表现如下图所示，随着训练过程，网络在trainingdata上的error渐渐减小，但是在验证集上的error却反而渐渐增大——因为训练出来的网络过拟合了训练集，对训练集外的数据却不work。为了防止overfitting，可以用的方法有很多，下文就将以此展开
suibianshen2012·2016-05-11 10:00

Stanford机器学习---第二讲.Linear Regression with multiple variable

本栏目（Machinelearning）包括单参数的线性回归、多参数的线性回归、OctaveTutorial、LogisticRegression、Regularization、神经网络、机器学习系统设计
caicai_zju·2016-05-07 15:00

机器学习实践指南（二）—— 正则化参数

考虑SparseCoding模型拓扑结构时的代码函数：J(A,s)=1m∥As−x∥22+λ∑VssT+ϵ−−−−−−−√+γ∥A∥22lambda=5e-5;%L1-regularizationparameter
lanchunhui·2016-05-07 11:00

深度学习（dropout）

other_techniques_for_regularization随手翻译，略作参考，禁止转载www.cnblogs.com/santian/p/5457412.htmlDropout: Dropoutisaradicallydifferenttechniqueforregularization.UnlikeL1andL2regularization
一天两天三天·2016-05-04 11:00

PRML 01 绪论：引言与引例

1引言2引例PolynomialCurveFitting1泛化性能评价2减小过拟合21增大数据集22beyas23归则化regularization作者ChristopherM.Bishop1引言：模式识别已经有较长的研究历史
bea_tree·2016-05-03 17:00

L1 L2正则化

最小化loss的同时，让w也最小化，L1可能会有部分w为0，L2会让部分w很小但不是为0L1regularization(lasso)在原始的代价函数后面加上一个L1正则化项，即所有权重w的绝对值的和，
Bryan__·2016-05-01 00:28

机器学习笔记05：正则化(Regularization)、过拟合(Overfitting)

说明：文章中的所有图片均属于Stanford机器学习课程（一）过拟合问题(TheProblemofOverfitting)不管是在线性回归还是在逻辑回归中，我们都会遇到过拟合的问题。先从例子来看看什么是过拟合。i.线性回归中的过拟合还是以房价预测为例，来看几张张图片：1.欠拟合（Underfitting）上图中，我们用一条直线hθ(x)=θ0+θ1x来拟合训练集中数据，但是明显何以看出的是，房价不
Artprog·2016-04-30 20:58

机器学习笔记05：正则化(Regularization)、过拟合(Overfitting)

说明：文章中的所有图片均属于Stanford机器学习课程（一）过拟合问题(TheProblemofOverfitting)不管是在线性回归还是在逻辑回归中，我们都会遇到过拟合的问题。先从例子来看看什么是过拟合。i.线性回归中的过拟合还是以房价预测为例，来看几张张图片：1.欠拟合（Underfitting）上图中，我们用一条直线hθ(x)=θ0+θ1x来拟合训练集中数据，但是明显何以看出的是，房价不
Artprog·2016-04-30 20:00

【Stanford机器学习笔记】4-Regularization for Solving the Problem of Overfitting

前面讲了机器学习的两种应用：回归和分类。两种主要模型：线性回归模型和逻辑回归模型。为了使训练出来的机器学习模型具有普遍的泛化能力，需要对模型进行优化，例如欠拟合和过拟合问题，正则化算法正是用于解决机器学习算法中的拟合问题。1.TheproblemofUnderfittingandOverfitting（1）线性回归和逻辑回归均存在过度拟合和欠拟合的问题过度拟合的问题是，如果我们有很多特征变量，则训
iFun0·2016-04-30 16:02

Stanford机器学习---第一讲. Introduction of machine learning

本栏目（Machinelearning）包括单参数的线性回归、多参数的线性回归、OctaveTutorial、LogisticRegression、Regularization、神经网络、机器学习系统设计
caicai_zju·2016-04-29 14:00

机器学习之——归一化

之前我们讨论了几个机器学习的模型，线性回归模型(LinearRegression)和逻辑回归模型(LogisticRegression)，这一次我们讨论一下关于模型数据拟合的问题以及归一化方法(Regularization
mysteryhaohao·2016-04-27 15:00

Stanford机器学习笔记-3.Bayesian statistics and Regularization

3.BayesianstatisticsandRegularizationContent3.BayesianstatisticsandRegularization. 3.1Underfittingandoverfitting
qq_26898461·2016-04-22 16:00

正则化方法/防止过拟合提高泛化能力的方法：L1和L2 regularization、数据集扩增、dropout

转载自：http://blog.csdn.net/u012162613/article/details/44261657本文是《Neuralnetworksanddeeplearning》概览中第三章的一部分，讲机器学习/深度学习算法中常用的正则化方法。（本文会不断补充）正则化方法：防止过拟合，提高泛化能力在训练数据不够多时，或者overtraining时，常常会导致overfitting（过拟合
beihangzxm123·2016-04-21 15:29

正则化方法/防止过拟合提高泛化能力的方法：L1和L2 regularization、数据集扩增、dropout

转载自：http://blog.csdn.net/u012162613/article/details/44261657本文是《Neuralnetworksanddeeplearning》概览中第三章的一部分，讲机器学习/深度学习算法中常用的正则化方法。（本文会不断补充）   正则化方法：防止过拟合，提高泛化能力在训练数据不够多时，或者overtraining时，常常会导致overfitting（
qq_26898461·2016-04-21 15:00

Stanford公开课--神经网络的学习

本栏目（Machinelearning）包括单参数的线性回归、多参数的线性回归、OctaveTutorial、LogisticRegression、Regularization、神经网络、机器学习系统设计
Before1993·2016-04-21 14:00

台大林轩田《机器学习基石》学习笔记：重要工具二（Feature transform）

重要工具-KeytoolsRegularization规则化/加条件的  实质是，在求Ein最小值的过程中加上约束条件   用例子引入，当前面临的情况是使用了十次曲线overfit了目标二次曲线，需要从十次
qq_22717679·2016-04-18 14:00

Stanford机器学习-- 逻辑回归和过拟合问题的解决 logistic Regression & Regularization

什么是逻辑回归？Logistic回归与多重线性回归实际上有很多相同之处，最大的区别就在于它们的因变量不同，其他的基本都差不多。正是因为如此，这两种回归可以归于同一个家族，即广义线性模型（generalizedlinearmodel）。这一家族中的模型形式基本上都差不多，不同的就是因变量不同。如果是连续的，就是多重线性回归；如果是二项分布，就是Logistic回归；如果是Poisson分布，就是Po
BigBzheng·2016-04-05 23:00

《机器学习（周志华）》习题3.3答案

对率回归即逻辑回归，可以看做没有隐藏层的，用sigmoid做激活函数，crossentropy做cost（不加regularization）的神经网络。
Wiking__acm·2016-04-05 13:00

《机器学习（周志华）》习题3.3答案

对率回归即逻辑回归，可以看做没有隐藏层的，用sigmoid做激活函数，crossentropy做cost（不加regularization）的神经网络。
wiking__acm·2016-04-05 00:00

Stanford机器学习笔记-3.Bayesian statistics and Regularization

3.BayesianstatisticsandRegularizationContent3.BayesianstatisticsandRegularization. 3.1Underfittingandoverfitting
llhthinker·2016-04-04 00:00

支持向量机SVM（四）

9规则化和不可分情况处理（Regularizationandthenon-separablecase）我们之前讨论的情况都是建立在样例线性可分的假设上，当样例线性不可分时，我们可以尝试使用核函数来将特征映射到高维
BigBzheng·2016-04-03 11:00

21个数据科学家面试必须知道的问题和答案

KDnuggets编辑提供了用以斟辨“假”数据科学家之二十问的答案，包括什么是正则化（regularization），我们喜爱的数据科学家，模型验证等等。
Er8cJiang·2016-03-31 16:17

21个数据科学家面试必须知道的问题和答案

KDnuggets编辑提供了用以斟辨“假”数据科学家之二十问的答案，包括什么是正则化（regularization），我们喜爱的数据科学家，模型验证等等。
Er8cJiang·2016-03-31 16:00

Machine Learning - Andrew Ng on Coursera (Week 6)

MachineLearning第六周的课程，主要内容有如下，详细内容可以参考文末附件：评价机器学习算法Diagnosingbiasvs.variance(诊断偏差和方差，模型多项式维度$d$-$J(theta)$图)Regularizationandbias
beihangzxm123·2016-03-28 10:54

Stanford机器学习---第十讲. 数据降维

details/8002329，在此添加了一些自己的注释方便理解本栏目（Machinelearning）包括单参数的线性回归、多参数的线性回归、OctaveTutorial、LogisticRegression、Regularization
liugallup·2016-03-27 20:00

Stanford机器学习---第九讲. 聚类

本栏目（Machinelearning）包括单参数的线性回归、多参数的线性回归、OctaveTutorial、LogisticRegression、Regularization、神经网络、机器学习系统设计
liugallup·2016-03-27 20:00

Stanford机器学习---第八讲. 支持向量机SVM

details/7849812，本文添加了一些自己的理解本栏目（Machinelearning）包括单参数的线性回归、多参数的线性回归、OctaveTutorial、LogisticRegression、Regularization
liugallup·2016-03-27 20:00

Stanford机器学习---第七讲. 机器学习系统设计

abcjennifer/article/details/7834256本栏目（Machinelearning）包括单参数的线性回归、多参数的线性回归、OctaveTutorial、LogisticRegression、Regularization
liugallup·2016-03-27 20:00

Stanford机器学习---第六讲. 怎样选择机器学习方法、系统

details/7797502 添加了一些自己的注释和笔记本栏目（Machinelearning）包括单参数的线性回归、多参数的线性回归、OctaveTutorial、LogisticRegression、Regularization
liugallup·2016-03-26 15:00

Stanford机器学习---第五讲. 神经网络的学习 Neural Networks learning

details/7758797，添加了一些自己的理解本栏目（Machinelearning）包括单参数的线性回归、多参数的线性回归、OctaveTutorial、LogisticRegression、Regularization
liugallup·2016-03-26 10:00

Stanford 机器学习-Regularization(Week 3)-代码

NG机器学习公开课7-Regularization所有的代码整个到一个.m文件里了。
lzj5451896·2016-03-24 21:00

机器学习基础（十三）—— regularization & validation

（1）无论是正则化（regularization）还是校验（validation）都是一种模型选择方法；（2）regularization：经验风险（Ein）+regularizer，二者加在一起，又称为
lanchunhui·2016-03-24 19:00

对过拟合的处理：正则化方法：L1和L2 regularization、数据集扩增、dropout

正则化方法：防止过拟合，提高泛化能力在训练数据不够多时，或者overtraining时，常常会导致overfitting（过拟合）。其直观的表现如下图所示，随着训练过程的进行，模型复杂度增加，在trainingdata上的error渐渐减小，但是在验证集上的error却反而渐渐增大——因为训练出来的网络过拟合了训练集，对训练集外的数据却不work。为了防止overfitting，可以用的方法有很多
Losteng·2016-03-21 10:00

机器学习与数据挖掘课程

加州理工学院公开课：机器学习与数据挖掘_LA___Lecture12_[Regularization]_网易公开课加州理工学院公开课：机器学习与数据挖掘_NA___Lecture14_[SupportVectorMachines
u013593585·2016-03-14 23:00

Social regularizations

    trust-aware：如何从隐式信任中导出显示信任。链接预测就是搞这一方面的么？和类似谱聚类的拉普拉斯矩阵结合在一起，没怎么看。
DM张朋飞·2016-03-08 09:00

Coursera公开课笔记: 斯坦福大学机器学习第七课“正则化(Regularization)”

斯坦福大学机器学习第七课”正则化“学习笔记，本次课程主要包括4部分：1) TheProblemofOverfitting(过拟合问题)2) CostFunction(成本函数)3) RegularizedLinearRegression(线性回归的正则化)4) RegularizedLogisticRegression(逻辑回归的正则化)以下是每一部分的详细解读。1) TheProblemofOv
dingchenxixi·2016-03-05 16:00

Programming Exercise5:Regularized Linera Regression and Bias v.s Variance

这周的课程主要介绍了一些模型选择，样本分类，biasandvariance，regularization参数选择，learingcurves学习曲线绘制等知识。
a1015553840·2016-03-01 21:00

Machine Learning - Solving the Problem of Overfitting: Regularization

StanfordUniversity.Thisarticleisthenotesofweek3,SolvingtheProblemofOverfitting.Thisarticlecontainssometopicaboutregularization
iracer·2016-02-21 13:00

Stanford 机器学习笔记 Week3 Regularization

RegularizationTheProblemofOverfitting拟合效果不好有两种情况：欠拟合(Underfitting)，指的是预测值和trainingset匹配程度较差。
Baoli1008·2016-02-15 19:00

Proximal Gradient Descent for L1 Regularization

[本文链接：http://www.cnblogs.com/breezedeus/p/3426757.html，转载请注明出处]假设我们要求解以下的最小化问题：minxf(x)如果f(x)可导，那么一个简单的方法是使用GradientDescent(GD)方法，也即使用以下的式子进行迭代求解：xk+1:=xk−α∇f(xk)。对GD的一种解释是xk沿着当前目标函数的下降方向走一小段，只要步子足够小，
机器学习与遥感图像智能信息处理实验室·2016-02-03 12:34

A summary of dropout technique

weintroducemethodslikestoppingtrainingassoonasperformanceonavalidationsetstartstogetworse;softweightsharing[2]andregularizations
Firehotest·2016-01-19 14:00

machine-learning第四周 上机作业

grad]=lrCostFunction(theta,X,y,lambda)%LRCOSTFUNCTIONComputecostandgradientforlogisticregressionwith%regularization
dialoal·2016-01-12 18:42

学习理论之模型选择——Andrew Ng机器学习笔记（八）

内容提要这篇博客主要的内容有：1.模型选择2.贝叶斯统计和规则化（Bayesianstatisticsandregularization）最为核心的就是模型的选择，虽然没有那么多复杂的公式，但是，他提供了更加宏观的指导
A_cainiao_A·2016-01-09 19:17

岭回归原理及代码实现

岭回归(英文名：ridgeregression,Tikhonovregularization)是一种专用于共线性数据分析的有偏估计回归方法，实质上是一种改良的最小二乘估计法，通过放弃最小二乘法的无偏性，
IT修道者·2016-01-09 10:35

岭回归原理及代码实现

岭回归(英文名：ridgeregression,Tikhonovregularization)是一种专用于共线性数据分析的有偏估计回归方法，实质上是一种改良的最小二乘估计法，通过放弃最小二乘法的无偏性，
computerme·2016-01-09 10:00

machine-learning第三周 上机作业

、概率论03条件概率三、最大似然估计(Maximumlikelihoodestimation)四、Stanford机器学习---第三讲.逻辑回归和过拟合问题的解决logisticRegression&Regularization
dialoal·2016-01-06 10:01

吉洪诺夫正则化(Tikhonov regularization )

1、正则化定义：正则化(regularization)，是指在线性代数理论中，不适定问题通常是由一组线性代数方程定义的，而且这组方程组通常来源于有着很大的条件数的不适定反问题。
木顶思上·2015-12-27 10:49
上一页 19 20 21 22 23 24 25 26 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他