Tag: 机器学习

朴素贝叶斯分类的简单解释: 我发现很难理解朴素贝叶斯的过程，我想知道如果有人能用简单的一步一步的过程用英语解释它。我知道需要把时间作为概率进行比较，但我不知道训练数据是如何与实际数据集相关的。请给我一个关于训练集扮演的angular色的解释。我在这里给出一个非常简单的例子，比如香蕉 training set— round-red round-orange oblong-yellow round-red dataset—- round-red round-orange round-red round-orange oblong-yellow round-red round-orange oblong-yellow oblong-yellow round-red

MATLAB中的10倍SVM分类示例: 我需要一个描述性的例子来说明如何在两类数据集上进行10倍的SVM分类。在MATLAB文档中只有一个例子，但不是10倍。有人能帮我吗？

如何识别这个图像中的矩形？: 我有一个水平和垂直线的图像。事实上，这个形象是BBC网站转换成横向和纵向的线条。我的问题是，我想能够find图像中的所有矩形。我想编写一个计算机程序来查找所有的矩形。有谁知道如何做到这一点或build议如何开始的想法？这个任务对我来说很容易find视觉矩形，但我不知道如何将其描述为一个程序。图片是BBC网站http://www.bbc.co.uk/ 谢谢，菲利普更新到这里，我写了将BBC网站图片转换成水平和垂直线的代码，问题是这些线条在angular落处并不完全相遇，有时它们并不完全形成矩形。谢谢！

感知器学习algorithm不会收敛到0: 这是我在ANSI C中的感知器实现： #include <stdio.h> #include <stdlib.h> #include <math.h> float randomFloat() { srand(time(NULL)); float r = (float)rand() / (float)RAND_MAX; return r; } int calculateOutput(float weights[], float x, float y) { float sum = x * weights[0] + y * weights[1]; return (sum >= 0) ? 1 : -1; } int main(int argc, char *argv[]) { // […]

Softmax函数 – python: 从Udacity的深度学习阶段来看，y_i的softmax就是简单的指数除以整个Y向量的指数之和：其中S(y_i)是S(y_i)的softmax函数， e是指数， j是否。 input向量Y中的列。我已经尝试了以下内容： import numpy as np def softmax(x): """Compute softmax values for each sets of scores in x.""" e_x = np.exp(x – np.max(x)) return e_x / e_x.sum() scores = [3.0, 1.0, 0.2] print(softmax(scores)) 它返回： [ 0.8360188 0.11314284 0.05083836] 但build议的解决scheme是： def softmax(x): """Compute softmax values for each sets of scores in x.""" […]

多层感知器（MLP）体系结构：select隐藏层的数量和隐藏层的大小的标准？: 如果我们有10个特征向量，那么我们可以在input层有10个神经节点。如果我们有5个输出类，那么我们可以在输出层有5个节点。但是在MLP中select隐含层数的标准是多less？ 1个隐藏层中的节点？

这个标准化数据的代码是如何工作的？: 我有一个机器学习课程提供的standardizefunction没有很好的文档，我仍然是MATLAB新手，所以我只是试图分解function。对标准化的语法或总体思路的任何解释都会有很大的帮助。我们使用这个函数来标准化大matrix中提供的一组训练数据。细分代码片段的大部分内容将对我有很大的帮助。非常感谢。 function [X, mean_X, std_X] = standardize(varargin) switch nargin case 1 mean_X = mean(varargin{1}); std_X = std(varargin{1}); X = varargin{1} – repmat(mean_X, [size(varargin{1}, 1) 1]); for i = 1:size(X, 2) X(:, i) = X(:, i) / std(X(:, i)); end case 3 mean_X = varargin{2}; std_X = varargin{3}; X = varargin{1} – […]

如何在张量stream中有效地应用梯度裁剪？: 考虑到示例代码。我想知道如何在RNN上的这个networking上应用梯度剪切，在这种情况下可能出现梯度分解。 tf.clip_by_value(t, clip_value_min, clip_value_max, name=None) 这是一个可以使用的例子，但我在哪里介绍这个？在RNN的def lstm_cell = rnn_cell.BasicLSTMCell(n_hidden, forget_bias=1.0) # Split data because rnn cell needs a list of inputs for the RNN inner loop _X = tf.split(0, n_steps, _X) # n_steps tf.clip_by_value(_X, -1, 1, name=None) 但是，这是没有意义的，因为张量_X是input，而不是什么被裁剪的gradle生？我必须为此定义我自己的优化器还是有一个更简单的选项？

libsvm中的多类分类: 我正在使用libsvm ，我必须实现一个对所有的多类的分类。我该怎么做？ libsvm版本2011是否使用这个？我觉得我的问题不是很清楚。如果libsvm不自动使用一个对所有，我将使用一个svm每个类，否则我怎么能定义这个参数在svmtrain函数。我已经阅读了libsvm的README。

在python中绘制数据matrix顶部的层次聚类结果: 我怎样才能在一个matrix的值之上绘制一个树形图，在Python中恰当地重新sorting以反映聚类？下图是一个例子： https://publishing-cdn.elifesciences.org/07103/elife-07103-fig6-figsupp1-v2.jpg 我使用scipy.cluster.dendrogram来制作我的树形图并对数据matrix执行分层聚类。那么我怎样才能把数据绘制成一个matrix，在这个matrix中，行被重新sorting，以反映在特定阈值下切割树形图引起的聚类，并将树形图与matrix一起绘制？我知道如何在scipy中绘制树形图，但不知道如何用右边的比例尺来绘制数据的强度matrix。任何帮助，将不胜感激。