2 为什么在L2上使用L1正则化？ 使用损失函数进行线性回归模型，为什么我应该使用而不是L 2正则化？大号1个L1L_1大号2L2L_2 是否可以防止过度拟合？它是确定性的（因此总是唯一的解决方案）？在特征选择上是否更好（因为产生稀疏模型）？它会分散特征之间的权重吗？ 10 linear-regression regularization
3 GPS坐标（纬度和经度）可以用作线性模型的特征吗？ 我的数据集包含许多功能，其中包括GPS坐标（纬度和经度）。我想使用这些数据集来探讨以下问题：（1）计算ETA以在起点和终点之间行驶；（2）估算特定点的犯罪数量。 我想使用线性回归模型。但是，我可以直接在线性模型中使用这些GPS坐标吗？ 纬度和经度不具有序数属性，例如与人的年龄无关。例如，两个点（40.805996，-96.681473）和（41.226682，-95.986587）似乎没有任何有意义的排序。它们只是空间中的点。我当时想用分类的美国邮政编码替换它们，然后进行一键编码，但这会导致很多变量。 10 machine-learning feature-selection linear-regression feature-extraction geospatial
2 仅使用2个隐藏层对数字进行排序 我正在阅读Ilya Sutskever和Quoc Le撰写的基础论文《使用神经网络进行序列学习》。在第一页上，它简短地提到： A surprising example of the power of DNNs is their ability to sort N N-bit numbers using only 2 hidden layers of quadratic size 谁能简要概述如何仅使用2个隐藏层对数字进行排序？ 10 deep-learning
2 Keras可能在最后一层使用多个“ Softmax”吗？ 是否可以在Keras的最后一层实现多个softmax？因此，节点1-4的总和= 1; 5-8 = 1; 等等 我应该选择其他网络设计吗？ 10 machine-learning keras multiclass-classification
1 t-SNE对最近的邻居有意义吗？ 对此的回答表明，t-SNE中的尺寸是没有意义的，并且点之间的距离不是相似性的量度。 但是，基于t-SNE空间中最接近的点，我们能说点什么吗？为什么完全相同的点不会聚类的答案表明，在较低和较高尺寸的表示形式之间，点之间的距离比是相似的。 例如，下图显示了我的一个数据集（15个类）上的t-SNE。 我可以说cro 479（右上方）是一个离群值吗？是fra 1353（左下）更类似于cir 375比其他图像fra类，等等？还是这些仅仅是人工制品，例如fra 1353被卡在了几个集群的另一端而无法强行进入另一类fra？ 10 tsne
4 如果函数平滑，为什么它会加快梯度下降？ 我现在读了一本书，标题为“使用Scikit-Learn和TensorFlow进行动手机器学习”，在第11章中，对ELU（指数ReLU）的解释如下。 第三，该函数在所有位置（包括z = 0左右）都是平滑的，这有助于加速Gradescent Descent，因为它在z = 0的左右两侧反弹得不那么快。 在z装置上面的曲线图中的x轴上。我知道导数是平滑的，因为该z < 0直线具有曲线，并且在那个领域中导数不再等于0。 但是，为什么函数“在所有地方都平滑，包括z = 0左右”会加速梯度下降呢？ 10 deep-learning gradient-descent
2 如何执行具有大量功能的Logistic回归？ 我有一个包含330个样本和每个样本27个特征的数据集，以及Logistic回归的二元类问题。 根据“十个规则”，每个功能至少需要包含10个事件。虽然，我有一个不平衡的数据集，有20％的正类和80％的负类。 这仅给我70个事件，因此Logistic模型仅包含大约7/8个功能。 我想将所有功能评估为预测器，但我不想手工选择任何功能。 那你有什么建议呢？我应该将所有7种功能组合在一起吗？我应该使用关联模型单独评估每个功能，然后只为最终模型选择最佳功能吗？ 我也对分类和连续特征的处理感到好奇，可以混合使用吗？如果我有类别[0-1]和连续[0-100]，我应该归一化吗？ 我目前正在使用Python。 非常感谢你的帮助！ 10 machine-learning python predictive-modeling logistic-regression data
2 word2vec中的特征矩阵是什么？ 我是神经网络的初学者，目前正在探索word2vec模型。但是，我很难理解特征矩阵的确切含义。 我可以理解，第一个矩阵是给定单词的单编码编码矢量，但是第二个矩阵表示什么呢？更具体地说，这些值（即17、24、1等）分别是什么意思？ 10 machine-learning neural-network word2vec
3 在DataFrame中找到连续的零并进行条件替换 我有一个像这样的数据集： 样本数据框 import pandas as pd df = pd.DataFrame({ 'names': ['A','B','C','D','E','F','G','H','I','J','K','L'], 'col1': [0, 1, 0, 1, 1, 1, 0, 0, 0, 1, 0, 0], 'col2': [0, 0, 0, 0, 1, 0, 1, 0, 1, 0, 0, 0]}) 我想，以取代一些0的中col1和col2用1的，而不是替代0的，如果三个或更多0的是在同一列的连续。熊猫怎么办？ 原始数据集： names col1 col2 A 0 0 B 1 0 C 0 … 10 python pandas dataframe
1 如何确定英语句子的复杂性？ 我正在开发一个应用程序，以帮助人们学习英语作为第二语言。我已经证实句子可以通过提供额外的上下文来帮助学习语言。我是通过在60名学生的教室中进行小型研究来做到这一点的。 我已经从Wikipedia挖掘了十万多个用于各种英语单词的句子（包括Barrons的800个单词和1000个最常见的英语单词） 整个数据可从https://buildmyvocab.in获得 为了保持内容的质量，我过滤掉了超过160个字符的句子，因为这些句子可能很难理解。 下一步，我希望能够以易于理解的顺序自动化对该内容进行排序的过程。我本人不是英语母语者。我想知道我可以使用哪些功能将简单句子与困难句子分开。 另外，您认为这可能吗？ 10 machine-learning classification nlp text-mining
1 梯度提升树：“变量越大越好”？ 从XGBoost 的教程中，我认为当每棵树长大时，将扫描所有变量以选择拆分节点，然后选择具有最大增益拆分的变量。所以我的问题是，如果我将一些噪声变量添加到数据集中，这些噪声变量会影响变量选择（对于每棵树生长）吗？我的逻辑是，由于这些噪声变量根本不会给出最大的增益分配，因此将永远不会选择它们，因此它们不会影响树的生长。 如果答案是肯定的，那么“ XGBoost变量越多越好”是真的吗？我们不考虑培训时间。 同样，如果答案是肯定的，那么“我们不需要从模型中滤除非重要变量”是否成立。 谢谢！ 10 xgboost self-study
3 如何使用GAN从图像中进行无监督特征提取？ 我了解GAN在两个网络（生成性和区分性）相互竞争时如何工作。我建立了一个DCGAN（带有卷积鉴别器和反卷积生成器的GAN），现在可以成功生成类似于MNIST数据集中的手写数字。 我已经阅读了很多有关GAN从图像中提取特征的应用程序。如何使用训练有素的GAN模型（在MNIST数据集上）从MNIST手写的挖掘者图像中提取特征？ 10 feature-extraction unsupervised-learning gan
1 如果我要最小化绝对平均误差而不是均方误差，为什么TensorFlow无法拟合简单的线性模型？ 在简介中，我刚刚进行了更改 loss = tf.reduce_mean(tf.square(y - y_data)) 至 loss = tf.reduce_mean(tf.abs(y - y_data)) 模型无法得知损失随着时间的推移而变得越来越大。为什么？ 10 neural-network deep-learning tensorflow
1 避免在不同的python内核之间重新加载DataFrame 有没有一种方法可以在内存中保留变量（大表/数据框）并在多个ipython笔记本之间共享？ 我会寻找某种在概念上类似于MATLAB的持久变量的东西。可以从多个单独的编辑器（笔记本）中调用自定义函数/库，并使该外部函数缓存某些结果（或大表）。 通常，我想避免重新加载使用频繁的表（该表是通过从笔记本调用的自定义库加载的），因为每当我开始新的分析时，读取它大约需要2-3分钟。 10 python bigdata matlab jupyter ipython
3 预测最佳通话时间 我有一个数据集，其中包括一组位于加利福尼亚不同城市的客户，呼叫每个客户的时间以及呼叫状态（如果客户接听电话则为True，如果客户未接听则为False）。 我必须找到合适的时间来拜访未来的客户，以便接听电话的可能性很高。那么，解决此问题的最佳策略是什么？我应该将小时数（0,1,2，... 23）归类为分类问题吗？还是应该将其视为时间是连续变量的回归任务？如何确保接听电话的可能性很高？ 任何帮助，将不胜感激。如果您让我参考类似的问题，那也很好。 以下是数据的快照。 10 machine-learning classification regression scikit-learn