- 综合排序
- 最热优先
- 最新优先
- 来自专栏AI机器学习与深度学习算法
学习分类 2-2 内积
内积 对于分类问题，我们不再像回归问题那样，找出直线的斜率和截距。为了方便理解，将拥有一个特征的回归问题所绘制的图示和拥有两个特征的分类问题绘制的图示进行对比。 回归问题使用一个特征绘制和分类问题使用两个特征绘制的图示，虽然都是拥有横纵坐标的平面图，但是它们之间存在本质的区别。 我们为分类问题中的直线取一个新名字：决策边界（decision boundary），把决策边界定义为： w\cdot x = 0 图片 w\cdot x = w_1x_1 + w_2x_2 既然是分类问题的决策边界 图片 \begin{split} w\cdot x &= w_1x_1 + w_2x_2 \\ &=1\cdot x_1 + 1\cdot x_2\\ &= x_1+x_2 \end{split} 图片 \begin{split} w\cdot x &= w_1x_1 + w_2x_2 \\ &=1\cdot 1 + 1\cdot 1\\ &= 2 >0 \end{split} 图片 \begin{
54610编辑于 2022-11-08 - 来自专栏数据分析与挖掘
机器学习-文本分类（2）-新闻文本分类
train_df = pd.read_csv(train_path, sep='\t', nrows=15000) train_df['text'] train_df['label'] 4、进行文本分类 （1）n-gram+岭分类 vectorizer = CountVectorizer(max_features=3000) train_test = vectorizer.fit_transform( TF-IDF+岭分类 tfidf = TfidfVectorizer(ngram_range=(1,3), max_features=3000) train_test = tfidf.fit_transform ：阿尔法对模型的影响 sample = train_df[0:5000] n = int(2*len(sample)/3) tfidf = TfidfVectorizer(ngram_range=(2,3 f1.append(f1_score(test_y, val_pred, average='macro')) tfidf = TfidfVectorizer(ngram_range=(2,2
1.2K30发布于 2020-08-26 - 来自专栏iKcamp
React 深入系列２：组件分类
文：徐超，《React进阶之路》作者 授权发布，转载请注明作者及出处 ---- React 深入系列2：组件分类 React 深入系列，深入讲解了React中的重点概念、特性和模式等，旨在帮助大家加深对 React 组件有很多种分类方式，常见的分类方式有函数组件和类组件，无状态组件和有状态组件，展示型组件和容器型组件。好吧，这又是一篇咬文嚼字的文章。
1.6K50发布于 2018-04-19 - 来自专栏云时之间
机器学习常用算法分类(2)
感谢大家的关注，在上一篇文章中发布后很多热心的小伙伴建议我可以改进下分类的方式，一种是根据学习的方式分类，另外一种是根据类似的形式或者功能进行分类，我几天一直在想这的确是一直很好的分类方式，所以在这几天搜集资料进行分类 常用于解决的问题是分类和回归。常用的算法是对所有的无标签的数据建模进行的预测算法（可以看做无监督学习的延伸） 2：从功能角度分类 1：回归算法：回归分析是研究自变量和因变量之间关系的一种预测模型技术。 常用的回归算法包括： 普通最小二乘回归（OLSR），线性回归，逻辑回归，逐步回归，多元自适应回归样条法（MARS),局部估计平滑散点图（LOESS） 2：基于实例的学习算法：基于实例的学习通过训练数据样本或者实例建模 常见的决策树算法包括： 分类和回归树（CART） ID3算法，C4.5和C5.0算法，这是一种算法的两种不同版本，CHAID算法，单层决策树，M5算法，条件决策树 5：贝叶斯算法：贝叶斯方法指的是那些明确可以使用贝叶斯定理解决分类和回归问题的算法 很多的降维算法经过修改后，也可以被用于分类和回归问题。
1K80发布于 2018-04-11 - 来自专栏Ryan Miao
使用Dropwizard(2)-配置分类ConfiguredBundle
前言 不可避免的要用dropwizard作为service框架。持续学习。上次在dropwizard中使用feign,使用hystrix， 算是基本入门了。接下来就是基于此的优化。 把需要使用Configuration的逻辑从Application里分离出来 在开始的demo中，由于不知道dropwizard怎么传播类，怎么注入, 把所有的初始化的东西都放到Application里去new出来。现在发现有办法可以分离部分配置逻辑。 现在把feign的基础配置抽离出来： public class Conne
73350发布于 2018-03-14 - 来自专栏python百例
15-成绩分类2
score = int(input('分数: ')) if score >= 60 and score < 70: print('及格') elif 70 <= score < 80: print('良') elif 80 <= score < 90: print('好') elif score >= 90: print('优秀') else: print('你要努力了')
46020发布于 2018-09-11 - 来自专栏科学Sciences
数据的分类(Data Classification)常识(2)
[18] 我们都知道调研分析的基础是数据，而数据的类型可以分为： (1)连续性的变量：比如，身高，体重，化验值等等，这些变量的特点可以有小数点，可以直接录入； (2)分类变量：其变量值是定性的，表现为互不相容的类别或属性 [19] (2)系统性：将选定的分类对象的特征(或特性)按其内在规律系统化进行排列，形成一个逻辑层次清晰、结构合理、类目明确的分类体系。 如1表示女性，2表示男性，但这些数码不代表着这些数字可以区分大小或进行数学运算。不论用何种编码，其所包含的信息都没有任何损失。对定类数据执行的主要数值运算是计算每一类别中的项目的频数和频率。 我们仍可以采用数字编码表示不同的类别：文盲半文盲=1，小学=2，初中=3，高中=4，大学=5，硕士=6，博士=7，研究者=8。通过将编码做排序，可以明显地表示出受教育程度之间的高低差异。 [20] 2.3.3 按时间状况分类 1.时间序列数据。指在不同的时间上搜集到的数据，反映现象随时间变化的情况。[21] 2.截面型数据。
2.4K31发布于 2020-04-21 - 来自专栏AI机器学习与深度学习算法
学习分类 2-1 设置问题
设置问题 图片 作为引入分类问题的例子，这里不去考虑图像本身的内容，只是根据图像的尺寸将它分类为纵向图像和横向图像。 下图尺寸的图像会被分类成纵向图像。 下图尺寸的图像会被分类成横向图像。 图片 这里使用白色和黑色两种样式的点来区分类别，白色的点是纵向图像，黑色的点是横向图像。不过，只有两个训练数据确实太小了，需要再增加一些数据。 如下所示是上面六组数据的散点图。 分类的目的就是找到这条直线。如果找到这条线，就可以根据点在线的哪一边来判断图像是横向还是纵向的。 References： 1.《白话机器学习的数学》
42430编辑于 2022-11-08 - 来自专栏毛利学Python
【TensorFlow2.x 实践】服装分类
前言 基于TensorFlow2.x的框架，使用PYthon编程语言，实现对服装图像进行分类。 思路流程： 导入 Fashion MNIST数据1. 集探索数据1. 预处理数据1. 使用训练有素的模型 一、Fashion MNIST数据集 Fashion MNIST数据集包括一些运动鞋和衬衫等衣物；我们从下图中先看一下： 给不同类别的 运动鞋和衬衫等衣物，进行索引分类；每个图像都映射到一个标签 以下示例使用precision ，即正确分类的图像比例。 七、源代码： # 本程序基于TensorFlow训练了一个神经网络模型来对运动鞋和衬衫等衣物的图像进行分类。 # 使用tf.keras （高级API）在TensorFlow中构建和训练模型。 以下示例使用precision ，即正确分类的图像比例。
1.1K30编辑于 2022-09-22 - 来自专栏python前行者
TensorFlow练习2: 对评论进行分类
如果你内存充足，当我没说 2、训练好的模型的保存和使用 3、使用的模型没变，还是简单的feedforward神经网络（update：添加CNN模型） 4、如果你要运行本帖代码，推荐使用GPU版本或强大的 **数据格式：**移除表情符号的CSV文件，字段如下： 0 – the polarity of the tweet (0 = negative, 2 = neutral, 4 = positive) 1 – the id of the tweet (2087) 2 – the date of the tweet (Sat May 16 23:58:44 UTC 2009) 3 – the query = tf.add(tf.matmul(layer_1, layer_2_w_b['w_']), layer_2_w_b['b_']) layer_2 = tf.nn.relu(layer_2) = tf.add(tf.matmul(layer_1, layer_2_w_b['w_']), layer_2_w_b['b_']) layer_2 = tf.nn.relu(layer_2)
92740发布于 2019-03-25 - 来自专栏AI机器学习与深度学习算法
学习分类 2-3 感知机
要如何求出权重向量呢？基本做法和回归时相同，将权重向量用作参数，创建更新表达式来更新参数。这就需要一个被称为感知机的模型。
63210编辑于 2022-11-08 - 来自专栏全栈程序员必看
2-ip地址分类「建议收藏」
2. ip地址分类 在早期为了适应大型，中型，小型等不同的网络，ip地址在设计出来时被分成几类，分类地址的不同之处在于表示网络的位数和主机的位数。 3. ip地址分类 在图2中，同一网段的计算机网络部分相同，路由器连接10，11，12不同的网段（路由器的接口连接的都是不同网段），负责不同网段之间的数据转发，交换机连接的则是同一网段的计算机 如果一个协议使用b位来定义地址，那么该协议的地址空间就是2的b次方，比如：IPv4使用32位来定义地址，每一位都可以取不同的值（0和1），那么IPv4的地址空间就是2的32次方，也就是4294967296 简单来说，地址空间是分类地址中所占用的ip地址总数，而这种总数是无法当做ip地址来进行分配的。 5. 判断ip地址分类方法 前面说过，net-id用于标识网段号，host-id用于标识主机号。 记住分类地址的小技巧：每个IP地址占用4字节，即32位，我们只需用十进制判断IP地址的第一个字节，因此，只需记住第一个字节。
1.1K40编辑于 2022-09-07 - 来自专栏AI机器学习与深度学习算法
学习分类 2-5 线性可分
显然，实际处理的分类任务大多数不可能仅使用一条直线将其区分开的，这也是为什么说感知机不会应用到实际的问题中。 单层感知机是一个很弱的模型，只能处理线性可分的分类问题，但是堆叠多个单层感知机的多层感知机能够处理非线性可分的分类问题。多层感知机就是所谓的神经网络。
54610编辑于 2022-11-08 - 来自专栏GIS与遥感开发平台
分类模型的评估指标 | 混淆矩阵（2）
遥感影像分类评估 书接上回，今天我们来看一看遥感影像分类是如何进行评估的。 01 概念 首先我们先了解一下什么是遥感影像分类。 2 ---结果 kappa系数的计算结果处于（-1，1）之间，但一般情况下其结果处于（0，1）之间，且可分为五个级别来表示一致性： （0，0.2】表现为极低一致性； （0.2，0.4】表现为一般一致性； 除总体分类精度和kappa系数外，其他指标以A类为例： 1 ---总体分类精度 overall accuracy=（20+15+18）/100=53% 2 ---生产者精度 producer accuracy =20/(20+5+2)≈74% 3 ---用户精度 user accuracy=20/（10+10+20）=50% 4 ---错分误差 commission error =（10+10）/40 =1 -user accuracy=50% 5 ---漏分误差 omission error =（5+2）/27 =1-producer accuracy ≈26% 6 ---kappa系数 Po=0.53
3.5K30编辑于 2022-04-29 - 来自专栏CSDN社区搬运
Llama2及法律判决分类实战
本文概述 本文首先会介绍一下Llama2大模型，然后会使用一个公开的中文法律判决数据集（部分）进行Llama2提示学习的分类实战。 表1比较了新的Llama 2模型与Llama 1模型的属性。 预训练数据 相较于llama的预训练1.4T个tokens数据，llama2使用了2Ttokens数据进行训练。 使用到的数据集罪名类型数量分布如下： 盗窃 4947 故意伤害 4407 抢劫 4071 因此可以看到，这是一个三分类的问题 提示模板 考虑到设备的原因，我们只进行prompt提示学习而不对模型本身进行微调 , '\n
Assistant: '] 这里对模型的评判也比较简单，当模型的结果中包含案件分类的类别时，就判断模型的预测结果为正确，否则就是错误。 当使用全数据时，当输入数据的长度为512时，三分类准确率为：54.04% 当输入长度为1024时，三分类准确率为：62.32% 可以看到，当给模型的数据越多时，模型的表现确实会提升。28910编辑于 2024-12-17 - 来自专栏机器学习炼丹之旅
CS231n：2 线性分类器
接着，我们就可以将图片分类问题转化成一个最优化问题， 即通过改变评价函数的参数最小化损失函数。 SVM和softmax的可视化交互网页 1. 从图像到标签值的映射 image.png 2. 对线性分类器的解释 2.1 直观理解 如下图就是线性分类器的工作过程，对于一张图片，假设是个黑白的 2*2 的图片，我们首先将其展开成一个 4*1 的列向量。 假设我们一共有三个类比（猫，狗，船），下图中红色的表示识别猫的分类器，绿色的表示识别狗的分类器，蓝色表示识别船的分类器，三个分类器的参数堆叠在一起组成了评估函数的参数矩阵。 只是区别在于它不用和KNN一样存下整个训练集，而是将训练集浓缩成一个模板图片 W ，并且将内积作为距离函数，而不是KNN中的L1和L2距离。 相比于Softmax，SVM更加，这可以看做是SVM的缺陷也可以看做是SVM的特点，比如说某个样本的预测得分为 [10,-2,3] ，假设第一个类别是其真实类别，并且SVM 的 ，那么很显然这个预测得分的损失为
61910编辑于 2022-08-08 - 来自专栏AI研习社
分类变量的深度嵌入(Cat2Vec)
本文为 AI 研习社编译的技术博客，原标题 ： Deep embedding’s for categorical variables (Cat2Vec) 作者 | Prajwal Shreyas 翻译 例如计算机的内存单元（即1GB，2GB等等）。 分类变量：根据一定的特征，这些离散的变量可以对数据进行分类。例如计算机内存的种类（即RAM内存、内置硬盘和外置硬盘等等）。 模型摘要 嵌入层：对于分类变量，我们对于嵌入层的大小进行分类。在本次实验中我设为了3，如果我们增加其大小，它将会捕捉到分类变量之间关系的更多细节。 Jeremy Howard建议的嵌入大小如下所示： # m is the no of categories per feature embedding_size = max(50, m+1/ 2) 总结 总的来说，我们可以看到，在使用Cat2Vec后，我们可以用低纬度嵌入表示高基数的分类变量的同时，也保留了每个分类之间的联系。
1.3K20发布于 2019-05-22 - 来自专栏AIUAI
Caffe2 - (四) 基于 squeezenet 分类的模型测试
Caffe2 模型加载与测试 Model Zoo 这里以 squeezenet 模型为例，对图片中的 object 分类. = "~/caffe2" CAFFE_MODELS = "~/caffe2/caffe2/python/models" # 均值文件保存到与 model 同一路径 from caffe2.proto import caffe2_pb2 import numpy as np import skimage.io import skimage.transform from matplotlib import pyplot import os from caffe2.python import core, workspace import urllib2 print("Required modules imported (cropx//2) starty = y//2-(cropy//2) return img[starty:starty+cropy,startx:startx+cropx]
1.1K20发布于 2019-02-18 - 来自专栏CSDN博客
测试开发话题07---测试分类（2）
一、按照测试阶段分类 1、单元测试 与编码同步进行，针对软件最小组成单元进行测试，主要采用白盒测试方法，从被测对象的内部结构出发设计测试用例。 3, 4, 5}; int[] expect_array1 = {1, 2, 3, 4, 5}; //排序⽆序数组 bubbleSort(act_array1 public void testBubbleSortWithDuplicates() { // 测试⽤例：包含重复元素的数组 int[] arr = {4, 2, 4, 1, 3, 2}; int[] expected = {1, 2, 2, 3, 4, 4}; BubbleSort.bubbleSort(arr); 2、自动化测试(AutomationTesting) 就是在预设条件下运行系统或应用程序，评估运行结果，预先条件应包括正常条件和异常条件。
24310编辑于 2025-12-17 - 来自专栏深度学习和计算机视觉
最先进的图像分类算法：FixEfficientNet-L2
FixRes 是 Fix Resolution 的缩写形式，它尝试为用于训练时间的 RoC（分类区域）或用于测试时间的裁剪保持固定大小。 然后将其输入卷积神经网络 [2]。 K_test = 224 表示映射为 7x7，K_test = 64 表示映射为 2x2，而 K_test = 448 表示映射为 14x14。 这表明激活分布在测试时会发生变化，并且这些值超出了分类器范围 [1]。 为了解决激活统计数据变化的问题，提出了两种解决方案： 参数适应：参数 Fréchet 分布用于拟合平均池化层。 与图像分类中的大多数算法一样，高效网络基于 CNN。CNN 具有三个维度：宽度、深度和分辨率。深度是层数，宽度是通道数（例如，传统的 RGB 将有 3 个通道），分辨率是图像的像素。
2.2K20编辑于 2021-12-22
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号