一、正则化与偏差-方差分解 Regularization：减少方差的策略 误差可分解为：偏差，方差与噪声之和，即误差 = 偏差 + 方差 + 噪声之和 偏差：度量了学习算法的期望预测与真实结果的偏离程度，即刻画了学习算法本身的拟合能力 方差：度量了同样大小的训练集的变动所导致的学习性能的变化，即刻画 ...
分类：
其他好文 时间：
2019-11-21 23:19:49
阅读次数：
224
BEGAN: 创新： 1.不是考虑生成图片与真实图片之间的真实的分布，而是估计分布的误差的分布之间的差距。 2.G,D的能力平衡提出了一种均衡的概念 3。提供了一种超参数，这超参数可以在图片的多样性和生成质量之间做均衡 判别模型是自编码器，生成模型则借鉴了wgan的损失函数 一张图片相当于一个数据x ...
分类：
其他好文 时间：
2019-11-17 16:16:16
阅读次数：
56
模型评估与选择 经验误差与过拟合 （1）错误率：分类错误的样本数占样本总数的比例 精度：1$ $错误率 （2）误差：学习器的实际输出与样本真实值之间的差异 误差有训练误差和泛化误差两种。训练误差指的是学习器在训练集上的误差，也称为经验误差；泛化误差指的是在新样本上的误差。 (但是，对于训练样本，其分 ...
分类：
其他好文 时间：
2019-11-17 00:59:46
阅读次数：
100
>> 精度、线性度误差等级： 0.2、0.5级
>> 4-20mA/0-5V/0-10V等标准信号输入
>> 0-3A/0-5A等电流信号输出
>> 0~1V(max 5A)/0~10V/0-24V(max 5A) 等电压信号输出
>> 信号输入/信号输出 3000VDC隔离
>> 辅助电源：24V直流单电源供电
>> 辅助电源与输出信号不隔离
>> 螺丝固定安装，插拔式接线端子
分类：
其他好文 时间：
2019-11-13 19:27:51
阅读次数：
77
摘要：本文主要介绍了神经网络的基本概念以及误差反向传播算法的推导。 1、关于神经网络的几个重要概念 神经元模型：类似于神经元细胞结构的模型。如下图： 解释：每一个神经元都是相对独立的，将输入的若干个数据经过加权处理之后求和，作为一个总体输入（在上图中就是线性模型），然后将该总体输入作为变量送给激活函 ...
分类：
编程语言 时间：
2019-11-12 20:07:46
阅读次数：
102
一般在神经网络中， softmax可以作为分类任务的输出层。 输出n个类别选取的概率，并且概率和为1。 i?代表的是第i个神经元的输出，zi是下面 loss function表示的是真实值与网络的估计值的误差。交叉熵的函数是这样的 yi?表示真实的分类结果。 求导。首先，我们要明确一下我们要求什么， ...
分类：
其他好文 时间：
2019-11-10 17:22:54
阅读次数：
106
上一篇中的NFL定理的简化论述 定理表述： 无论学习算法$\zeta_a$多“聪明”以及$\zeta_b$多“笨拙”，他们的误差期望值是相同的 定理假设：所有“问题”出现的机会相同，或者所有问题同等重要。以及我们希望学习的真实目标函数f是均匀分布的 定理的简化论证 1.假设样本空间$\chi$和假设 ...
分类：
编程语言 时间：
2019-11-10 14:08:12
阅读次数：
130
1.均方误差(Mean Square Error / Quadratic Loss): MSE保证没有特别异常的预测值，因为平方部分放大了这种误差。 2.平均绝对误差(Mean Absolute Error): MAE保证预测值在大多数情况下表现良好(不会刻意管异常值)，因为所有的误差都按相同的线性 ...
分类：
其他好文 时间：
2019-11-09 19:29:01
阅读次数：
102
<! TOC "模型选择、欠拟合和过拟合" "训练误差和泛化误差" "模型选择" "K折交叉验证" "欠拟合和过拟合" "模型复杂度" "训练数据集大小" "多项式函数拟合实验" "定义、训练和测试模型" "欠拟合" "过拟合" "小结" <! /TOC 模型选择、欠拟合和过拟合 前几节给予Fash ...
分类：
其他好文 时间：
2019-11-08 19:16:05
阅读次数：
142
线性回归之最小二乘法 1.最小二乘法的原理 最小二乘法的主要思想是通过确定未知参数$\theta$（通常是一个参数矩阵），来使得真实值和预测值的误差（也称残差）平方和最小，其计算公式为$E=\sum_{i=0}^ne_i^2=\sum_{i=1}^n(y_i \hat{y_i})$，其中$y_i$是 ...
分类：
其他好文 时间：
2019-11-07 23:10:55
阅读次数：
94
