首页 > TAG信息列表 > 分类器
AdaBoost：自适应提升算法的原理及其实现
AdaBoost：通过改变训练样本权重来学习多个弱分类器并线性组合成强分类器的Boosting算法。 Boosting方法要解答的两个关键问题：一是在训练过程中如何改变训练样本的权重或者概率分布，二是如何将多个弱分类器组合成一个强分类器。 AdaBoost的做法：一是提高前一轮被弱分类器分类错误【CVPR2022】BatchFormer: Learning to Explore Sample Relationships for Robust Representation Learning
【CVPR2022】BatchFormer: Learning to Explore Sample Relationships for Robust Representation Learning 论文：https://arxiv.org/pdf/2203.01522.pdf 代码：https://github.com/zhihou7/BatchFormer BatchFormer的 V1 版本 这是一个来自 悉尼大学 和 京东 的工作。为了解决当前Python机器学习-多元分类的5种模型
Python机器学习-多元分类的5种模型 最近上了些机器学习的课程，于是想透过Kaggle资料集来练习整个资料科学专案的流程，在模型训练阶段，虽然听过许多分类模型，但不是很了解其各别的优缺点与适合的使用时机，所以想来整理一篇文章，统整上课学习与网路资料，作为后续专案的优化方向！ 首先，机器学线性分类器和非线性分类器总结
在机器学习中会遇到很多的分类器，在这篇博文中总结了常用的分类器线性和非线性的分类。线性分类器：模型是参数的线性函数，分类平面是（超）平面。非线性分类器：模型分界面可以是曲面或者是超平面的组合。典型的线性分类器有感知机，LDA（文档主题模型），逻辑斯蒂回归，SVM（线性核）。典型的非线性分类ENVI5.4 全新图像分类框架
ENVI 5.4全新的图像分类框架（ENVI classification framework）提供了强大、灵活的分类方法。我们可以基于一幅图像创建并训练一个分类算法（分类器），然后将其应用于其他相似的数据分类。传统意义上，遥感图像、训练样本、分类算法都是一一对应的，而不能重复使用。利用全新分类框架，我们在训分类器性能评估之PR曲线与ROC曲线
precision & recall 与 PR曲线 Precision中文名查准率，精确率：表示预测为正样本的样本集中真正正样本的比例 Recall中文名查全率，召回率：表示真正为正样本的样本集中被预测为正样本的比例 \[P=TP/(TP+FP) \]\[R=TP/(TP+FN) \]其中TP，TN，FP，FN的T/F代表预测是否正确（True/False），P/N代表预测2021多篇顶会论文看OOD泛化新理论，新方法，新讨论
Arxiv 2021: Towards a Theoretical Framework of Out-of-Distribution Generalization ICML 2021 Oral： Can Subnetwork Structure be the Key to Out-of-Distribution Generalization? ICML 2021 Oral：Domain Generalization using Causal Matching ICML 2斯坦福机器学习第九讲--经验风险最小化
本讲内容 1. Bias/Variance trade-off （偏差-方差权衡） 2. Empirical risk minimization(ERM) （经验风险最小化） 3. Union Bound/ Hoeffding inequality （联合界/霍夫丁不等式） 4. Uniform convergence （一致收敛） 1. 偏差方差权衡 对于上图左的情况，我们称之为欠拟合(under-fitting分类算法评价指标
目录评价指标1. TP、FP、TN、FN2. 常用指标3. ROC4. AUC 评价指标 1. TP、FP、TN、FN P (Positive) 和 N(Negative) 代表模型的判断结果 T (True) 和 F(False) 评价模型的判断结果是否正确 FP: 假正例，模型的判断是正例 (P) ,实际上这是错误的(F),连起来就是假正例 FN:假负训练一个图像分类器demo in PyTorch【学习笔记】
学习源】Tutorials > Deep Learning with PyTorch: A 60 Minute Blitz > Training a Classifier 本文相当于对上面链接教程中自认为有用部分进行的截取、翻译和再注释。便于日后复习、修正和补充。 边写边查资料的过程中猛然发现这居然有中文文档……不过中文文档也是志愿者翻机器学习：贝叶斯分类器
1、 贝叶斯决策论 贝叶斯决策论(Bayesian decision theory)是概率框架下实施决策的基本方法,对分类任务来说,在所有相关概率都已知的理想情形下,贝叶斯决策论考虑如何基于这些概率和误判损失来选择最优的类别标记。 决策论中将“期望损失”称为“风险” (risk). 我们的任务就是寻ML第14周学习小结
本周收获 总结一下本周学习内容： 1、《深入浅出Pandas》的第14章：Pandas时序数据 14.1 固定时间 14.2 时长数据 14.3 时间序列[paper]开放数据集的对抗防御(Open-set Adversarial Defense)
开放数据集的对抗防御 Translator: wildkid1024 论文地址 arXiv:2009.00814 rshaojimmy/ECCV2020-OSAD 0. 摘要 开集训练和对抗防御是真实世界的两大关键问题，开集识别旨在测试阶段识别开集类别的样本，对抗训练旨在防御对抗攻击扰动。 本文则发现开集识别系统容易遭受到攻击，因此XGB
Xgb的特点是什么？ xgb是GBAT的一个工程实现，传统的GBDT是基于CART 作为基分类器，在优化时仅仅用到了一阶信息。 xgb 可以支持线性分类器，增加了 L1 正则项和 L2正则项， xgb对loss函数进行了二阶泰勒展开，使得优化更快更准。 lgb 也是一种GBDT的工程实现，微软提出的xgb调整版本，由于一些并混合学习
简介 样本数据中 有带标签和 不带标签的。 半监督学习 监督学习与无监督学习相结合的一种学习方法，它同时利用有标记样本与无标记样本进行学习。 目的： 在标记样本有限的情况下， 尽可能识别出总样本的共同特性。 英文： Semi-Supervised Learning 伪标签学习：用有标签数据训练一个分类我组5篇论文被NAACL2022录用
大家好，我是对白。 最近**NAACL-HLT 2022**录用结果出炉，我组**5篇论文**被录用，其中主会论文4篇，Findings论文1篇。以下为论文列表及介绍： 1 **Fuse It More Deeply! A Variational Transformer with Layer-Wise Latent Variable Inference for Text Generation** **作者：**胡文本分类问题中的一些指标
用这个随笔来记录一下评价分类模型中的一些性能指标： 1.混淆矩阵（confusion matrix） 混淆矩阵的格式如下： 其中： TP：预测值为正，真实值也为正，即正确预测出的正样本个数； TN：预测值为负，真实值也为负，即正确预测出的负样本个数； FP：预测值为正，真实值为负，即错误预测出的负样本个数（本机器学习性能指标
一、混淆矩阵 混淆矩阵的每一列代表了预测类别，每一列的总数表示预测为该类别的数据的数目；每一行代表了数据的真实归属类别，每一行的数据总数表示该类别的数据实例的数目。每一列中的数值表示真实数据被预测为该类的数目：第一行第一列中的43表示有43个实际归属第一类的实例被预测为第GAN网络的衡量指标
参考这篇文章： https://blog.csdn.net/qq_27261889/article/details/86483505 在对抗生成网络中，判别器和生成器的目标函数通常都是用来衡量它们各自做的怎么样的。例如，生成器的目标函数用来衡量生成的图片能骗过分类器的性能。但是这并不能很好的衡量生成图片的质量和多样性。通关于Adaboost学习笔记
内容来自B站 老弓的学习笔记 链接：https://www.bilibili.com/video/BV1x44y1r7Zc?spm_id_from=333.999.0.0 【Adaboost】 【视频一】 集成学习：集成学习通过构建并结合多个学习器来完成学习任务 优点：可以多个学习器结合，获得比单一学习器更加显著优越的泛化性能。 需要注意的问题： 1个人脸识别系统主要包括哪些部分
人脸识别系统主要包括人脸图像采集及检测、人脸图像预处理、人脸图像特征提取以及匹配与识别四个组成部分。人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。人脸识别的优势是采集的非强制性以及不需要和设备直接接触。 Face recognition 人脸识别 1.人脸图像采集人脸识别系统设计 -- 基于J2判据和FLDA的多分类器的人脸识别系统设计论文报告（一）
目录 摘 要 1 绪论 1.1 引言 1.2 研究状况 1.3 研究背景和意义 1.4 论文构成及研究内容 摘 要 人脸识别技术是使我们生活中应用越来越广泛的技术，在近年来人脸识别课题研究越来越热门。 本文的基本任务：是对关于帽子的人脸识别系【嵌入传播】Embedding Propagation: Smoother Manifold for Few-Shot Classification
Abstract 少样本分类具有挑战性，因为训练集的数据分布可能与测试集大不相同，因为它们的类不相交。这种分布变化通常会导致泛化能力差。流形平滑已被证明可以通过扩展决策边界和减少类表示的噪声来解决分布偏移问题。此外，流形平滑度是半监督学习和转导学习算法的关键因素。在这项工Android S 滑动解锁概率失败
流程： KeyguardBouncer.java -> PanelViewController.java -> BrightLineFalsingManager.java classifier/BrightLineFalsingManager.java是各种解锁条件判断的总类 isFalseTouch()中会判断所有的可以解锁的条件是否满足，如果返回6个true，则可以进行解锁 新的功能google描述为：旨归因分析笔记3:视觉词袋-特征提取
Bag of Visual Words 目录 Matlab文档 使用视觉词袋进行图像分类 第1步：设置图像类别集 第2步：创建特征袋 第3步：用视觉词袋训练图像分类器 第4步：对图像或图像集分类 联系因果正则化论文作者 目前的问题是, 这篇论文里所有特征都是01, 他都处理了. 模型输入的特征不知道实际意义,