- 综合排序
- 最热优先
- 最新优先
- 来自专栏Hank’s Blog
4-6 R语言函数 排序
#sort:对向量进行排序;返回排好序的内容 #order:返回排好序的内容的下标/多个排序标准 > x <- data.frame(v1=1:5,v2=c(10,7,9,6,8),v3=11:15,v4=c(1,1,2,2,1)) > sort(x$v2) [1] 6 7 8 9 10 > sort(x$v2,decreasing = TRUE) [1] 10 9 8 7 6 > order(x$v2) [1] 4 2 5 3 1 > x[order(x$v2),] v1 v
42240发布于 2020-09-16 - 来自专栏人工智能与演化计算成长与进阶
15非监督学习异常检测4-6构建与评价异常检测系统
参考资料 斯坦福大学 2014 机器学习教程中文笔记 by 黄海广 15.4 开发和评价一个异常检测系统 Developing and Evaluating an Anomaly Detection System 异常检测算法是一个非监督学习算法，意味着我们无法根据结果变量 y 的值来告诉我们数据是否真的是异常的。 而标记为 0 即正常的数据往往很多 此时使用准确率等方法来进行判断一个模型的好坏往往是不合适的，所以通过 查准率和查全率以及 F1 分数能够很好的分析和判断这个问题 ---- 15.5 异常检测还是监督学习 Supervised Learning 在以上关于评价异常检测系统的时候，我们尝试使用了 带标签的数据 来评价一个异常检测系统的好坏，既然我们有 带标签的数据 为什么不直接使用监督学习的方法来做异常检测呢 异常检测监督学习只有很少量的异常数据(通常只有 20-50 个样本的数据)即 y=1,而有大量的正常数据 y=0同时拥有大量的异常是数据和正常数据有许多不同种类的异常非常难使用少量的正向类数据来训练算法有足够多的正向类实例
1.9K11发布于 2020-08-14 - 来自专栏AI机器学习与深度学习算法
机器学习入门 4-6 网格搜索与k近邻算法中更多超参数
本系列是《玩转机器学习教程》一个整理的视频笔记。本小节主要介绍使用sklearn网格搜索寻找最好的超参数以及kNN计算两个数据点距离的其他距离定义。
88100发布于 2019-11-13 - 来自专栏yuyy.info技术专栏
《代码整洁之道》笔记（4-6章节）
向报纸学习 从上往下阅读，先看到主题，再看到详细的描述。 概念间垂直方向上的区隔 使用空白行来间隔代码，标识出新的概念，读者的目光总是会停留于空白行之后的哪一行。
37210编辑于 2022-06-28 - 来自专栏量子位
支持移动GPU、推断速度提升4-6倍
乾明 发自 凹非寺 量子位 出品 | 公众号 QbitAI TensorFlow用于移动设备的框架TensorFlow Lite发布重大更新，支持开发者使用手机等移动设备的GPU来提高模型推断速度。 众所周知，使用计算密集的机器学习模型进行推断需要大量的资源。 但是移动设备的处理能力和功率都有限。 虽然TensorFlow Lite提供了不少的加速途径，比如将机器学习模型转换成定点模型，但总是会在模型的性能或精度上做出让步。 nullptr; DeleteGpuDelegate(delegate); （更多的使用教程，可以参见TensorFlow的官方教程，传送门在文末） 还在发展中 当前发布的，只是TensorFlow Lite的开发者预览版
1.2K30发布于 2019-04-24 - 来自专栏HelloCode开发者学习平台
iOS开发者多线程学习之旅
说到锁，我们再来看看苹果爸爸的给出干货Synchronization Costs and Performance
56910发布于 2019-01-23 - 来自专栏嵌入式音视频
【Airplay】WWDC学习_苹果开发者大会
PHPicker 现在在带有 macOS Ventura 的 Mac 以及带有 watchOS 9 的手表上 更新您的 Mac 和 Watch App 以访问照片 而不提示用户 访问所有照片 Web开发者的创新
1.4K10编辑于 2023-04-07 - 来自专栏人人都是极客
支持移动GPU、推断速度提升4-6倍
虽然TensorFlow Lite提供了不少的加速途径，比如将机器学习模型转换成定点模型，但总是会在模型的性能或精度上做出让步。 随着 TensorFlow Lite GPU 后端开发者预览版的发布，将能够利用移动 GPU 来选择模型训练 (如下所示)，对于不支持的部分，将自动使用 CPU 进行推理。
1.8K20发布于 2019-03-15 - 来自专栏鸿的学习笔记
写给开发者的机器学习指南（十三）
在我们实际使用支持向量机（SVM）之前，我先简要介绍一下SVM是什么。 基本SVM是一个二元分类器，它通过选取代表数据点之间最大间隔的超平面将数据集分成2部分。 SVM采用所谓的“校正率”值。 如果没有完美分割，校正速率允许拾取仍然在该误差率内分裂的超平面。因此，即使在线上存在一些点时，校正速率也允许超平面拟合。 这意味着我们不能为每个案例提出“标准”纠正率。 然而，当数据中没有重叠时，较低的值应该比较高的值更好。
82210发布于 2018-08-06 - 来自专栏鸿的学习笔记
写给开发者的机器学习指南（八）
这种数据操作技巧在机器学习领域是非常常见的。 找到正确的尺度需要一些洞察力。 我们将要研究的下一个特征是主题发生的频率和时间范围。如果主题出现得更多，它可能具有更高的重要性。
81220发布于 2018-08-06 - 来自专栏鸿的学习笔记
写给开发者的机器学习指南（二）
Learning methods 在机器学习领域有两种主要的学习方式，即监督学习和无监督学习。 当您想在您的应用程序中使用机器学习时，需要简要说明下，因为选择正确的机器学习方法和算法是一个重要但有时也是一个繁琐的过程。 Classification 在监督学习领域内的分类问题相对简单。给定一组标签，以及一些已经接收到正确标签的数据，我们希望能够预测尚未标记的新数据的标签。 Unsupervised learning 与监督相反的是使用无监督学习，您不能预先准确地知道输出。应用无监督学习的想法是在数据集中找到隐藏的底层结构。 无监督学习的另一个例子是K均值聚类。 K均值聚类背后的想法是在数据集中查找集合，以便以后可以将这些集合用于诸如监督学习的目的。
63320发布于 2018-08-06 - 来自专栏鸿的学习笔记
写给开发者的机器学习指南（十二）
此代码加载DJI数据，并将其添加到已经包含我们自己的股票市场指数的图形上。但是，当我们执行这段代码时，结果如下。
64220发布于 2018-08-06 - 来自专栏鸿的学习笔记
写给开发者的机器学习指南（六）
Practicalexamples 在本节中，我们为您介绍一组在实际环境中的机器学习算法。 这些例子的想法是让你开始使用机器学习算法，而不深入解释底层算法。 绘制数据背后的想法是验证K-NN是否是针对该特定数据集的拟合机器学习算法。 在这种情况下，数据如下： ? 考虑到使用K-NN算法是适合这个问题的选择，让我们继续实际的机器学习部分。对于此，GUI是开源的，因为它没有真正添加任何值。回忆一下机器学习的全局概念，在机器学习中有两个关键部分：预测和验证。 这就是为什么有一个足够大和代表性的数据集是一个良好的机器学习应用程序的关键。然而，当意识到这个问题，你可以不断根据新的数据和已知正确的分类不断更新你的模型。 让我们回顾一下我们迄今为止做了什么。
72020发布于 2018-08-06 - 来自专栏鸿的学习笔记
写给开发者的机器学习指南（七）
与每个机器学习实现一样，第一步是加载训练数据。然而在这个例子中，我们直接进入机器学习中。在KNN的例子中，我们有下载和上传速度作为功能。 我们没有将它们称为特征，因为它们是唯一可用的属性。 或者机器学习的完成是运行在完整的Hadoop集群上的，但解释这个将超出本博客的范围。
71210发布于 2018-08-06 - 来自专栏鸿的学习笔记
写给开发者的机器学习指南（九）
这些格式对于绘制数据和反馈到机器学习算法是有好处的。让我们先看看数据是什么样子。 为此，我们使用以下代码绘制数据。 让您意识到这种可能性可能有助于您找到数据中的集合，这可以提高机器学习应用程序的性能。现在我们已经看到了数据，看到确实我们可以想出一个线性回归线来拟合这些数据。
90410发布于 2018-08-06 - 来自专栏鸿的学习笔记
写给开发者的机器学习指南（十）
An attempt at rank prediction for topselling books using text regression
66730发布于 2018-08-06 - 来自专栏鸿的学习笔记
写给开发者的机器学习指南(一)
文：Mike de Waard 大多数开发人员已经听说过机器学习，但是当试图找到一种“容易”的方法进入这种技术时，大多数人发现自己被机器学习和术语的抽象概念吓退了，例如回归，无监督学习，概率密度函数等许多其他的定义 如果一个人选择阅读书籍，如使用R语言的统计学习介绍，以及使用R语言的黑客的机器学习。 然而R并不是真正的编程语言，其中用于日常使用的是例如Java，C＃，Scala等语言。 这就是为什么在这个博客中，将介绍使用Smile，一个机器学习库，在Java和Scala中都可以使用的一个机器学习库。这些是大多数开发人员在学习或职业生涯中至少看过一次的语言。 该部分的实例来自“机器学习黑客”一书的例子。此外，机器学习实战这本书可以被用于验证。 机器学习可以以许多方式解释，有些会比其他的更准确，但是它的定义有很多不一致的地方。有人说机器学习是基于历史数据生成静态模型，然后允许您预测未来的数据。
66730发布于 2018-08-06 - 来自专栏企鹅号快讯
给 iOS 开发者的 python 学习日记十二
写在前面 我们在昨天的学习笔记讨论了 Python 基本变数类型与资料结构可以应用的属性或方法，除了基本的资料结构以外，你是否还记得 Python 可以透过引入 numpy 套件之后使用 ndarray
1K50发布于 2018-02-12 - 来自专栏鸿的学习笔记
写给开发者的机器学习指南（十一）
将这24个股票价格合并为1大量减少了要处理的数据量，并减少了我们的数据的维度，这是一个很大的优势，如果我们后来应用其他机器学习算法，如回归预测。
54120发布于 2018-08-06 - 来自专栏鸿的学习笔记
写给开发者的机器学习指南（三）
Validation techniques 在本节中，我们将解释一些可用于模型验证的技术，以及在验证技术范围内机器学习领域常用的一些术语。 Crossvalidation 交叉验证技术是机器学习领域最常见的技术之一。它的本质是在训练你的模型时忽略你的数据集的一部分，然后使用模型来预测这个被忽略的数据。
68810发布于 2018-08-06
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