http://blog.csdn.net/rockingdingo/article/details/55653279 Github下载完整代码 https://github.com/rockingdingo/deepnlp/tree/master/deepnlp/pos 简介 这篇文章中我们将基于T ...
分类：
其他好文 时间：
2017-05-16 18:42:21
阅读次数：
2003
产生式与判别式 产生式与判别式最大的区别是，产生式需要通过计算联合概率分布P(X,Y)进行预测。产生式结果为概率，而判别式直接面对分类结果。 产生式：较小数据量就可以学习出较好的模型，收敛速度快，可以学习包含隐含变量的模型 判别式： 需要数据量比较大，直接面对分类结果，准确率高；由于直接学习P(Y| ...
分类：
其他好文 时间：
2017-05-15 00:32:34
阅读次数：
177
1.CART分类树的特征选择 分类问题中,假设有K个类,样本点属于第k类的概率为,则概率分布的基尼指数定义为: 如果，集合D根据特征A是否取某一可能值a被分割成和，在特征A的条件下,集合D的基尼指数定义为: 基尼指数代表了模型的不纯度,基尼指数越小,不纯度越小,特征越好. 2.CART分类树的生成算 ...
分类：
其他好文 时间：
2017-05-10 11:15:23
阅读次数：
276
Model： 1、预处理 ，使用word2Vec 进行词向量转换 -> K维的词向量: ,所以一个句子就是 2、当过滤窗口设为h时，移动窗口设为1时，特征的卷积可变为之后特征便会缩减为 3、她的下一层设为softmax layer 作为分类标签的概率分布 4、特色在于设置了两种词向量，一种是在训练中 ...
分类：
其他好文 时间：
2017-05-09 21:40:24
阅读次数：
206
对于输入x,类别标签Y: 判别模型：由数据直接学习决策面Y=f(x)或条件概率P(Y|x)作为预测模型 生成模型：由数据学习联合概率分布P(x,Y)，然后求出条件概率P(Y|x)作为预测模型 模型区别： 判别模型寻找不同类别之间的分离面，反映不同类别之间的差异。 生成模型通过统计反映同类数据的相似度 ...
分类：
其他好文 时间：
2017-05-02 23:34:38
阅读次数：
175
在前面几课里的学习算法的思路都是给定数据集以后。确定基于此数据集的最佳如果H函数，通过学习算法确定最佳如果H的各个參数，然后通过最佳如果函数H得出新的数据集的结果。在这一课里介绍了一种新的思路，它的核心思想是直接计算各种如果的最高概率，然后拟合各个如果的最高概率參数，并利用拟合得到的如果概率，计算出 ...
分类：
编程语言 时间：
2017-04-28 10:24:37
阅读次数：
197
基本思想： 通过初始化参数P1,P2，推断出隐变量Z的概率分布（E步）； 通过隐变量Z的概率分布，最大似然推断参数P1,P2 （M步）。 梯度下降也可以解决隐变量估计问题，但求和项会随隐变量个数指数增长，EM方法是一种非梯度下降优化方法。 ...
分类：
编程语言 时间：
2017-04-09 00:18:43
阅读次数：
314
重新捡起大学里的图像处理，好像之前什么都没学到，但是我为什么还留着这本书呢？嘿嘿。 看到均衡灰度处理，上来就是积分，概率分布的公式，头微微的有点疼。网上看了点介绍，隔天再拿起书本，总算有了点眉目。简而言之，就是将灰度直方图的概率分布进行面积不变的拉伸，使图像有更好的显示效果。 其实进行的操作也很少 ...
分类：
Web程序 时间：
2017-04-08 00:57:02
阅读次数：
220
[From] https://www.zhihu.com/question/41252833/answer/108777563 熵的本质是香农信息量()的期望。现有关于样本集的2个概率分布p和q，其中p为真实分布，q非真实分布。按照真实分布p来衡量识别一个样本的所需要的编码长度的期望(即平均编码长度 ...
分类：
其他好文 时间：
2017-04-03 17:56:52
阅读次数：
237
MCMC(一)蒙特卡罗方法 MCMC(二)马尔科夫链 MCMC(三)M-H采样和Gibbs采样（待填坑） 在MCMC(一)蒙特卡罗方法中，我们讲到了如何用蒙特卡罗方法来随机模拟求解一些复杂的连续积分或者离散求和的方法，但是这个方法需要得到对应的概率分布的样本集，而想得到这样的样本集很困难。因此我们需 ...
分类：
其他好文 时间：
2017-03-28 16:02:11
阅读次数：
174
