Questions tagged «machine-learning»

表明支持向量机可以解决某些学习问题的标志或特性是什么？ 换句话说，当您看到一个学习问题时，是什么让您“噢，我绝对应该为此使用SVM”而不是神经网络或决策树或其他任何东西？

16 machine-learning  svm  supervised-learning  unsupervised-learning 

我知道这个问题尚无明确答案，但让我们假设我有一个庞大的神经网络，其中包含大量数据，并且我想在输入中添加新功能。“最佳”方法是使用新功能测试网络并查看结果，但是有没有方法可以测试该功能是否异常有用？像相关度量（http://www3.nd.edu/~mclark19/learn/CorrelationComparison.pdf）等？

16 machine-learning  neural-network  feature-selection  feature-extraction 

我正在努力改进现有的监督分类器，以将{蛋白质}序列归为特定类别（神经肽激素前体）或不属于特定类别。 在大约1300万个蛋白质序列的背景下（“未知/注释不充分的背景”），或大约100,000个经过审查的相关蛋白质，已知的“阳性”蛋白质带有多种属性（但很少有显式注释的蛋白质） “负”方式）。 我以前的实现将其视为二进制分类问题：阳性集=标记为Neuropeptides的蛋白质。阴性集：从剩余的蛋白质中随机抽取1300个样本（总计），这些蛋白质的长度方向分布大致相似。 那行得通，但是我想大大提高机器的辨别能力（目前，在多个随机采样的负数集上，按CV测得的精度，AUC，F1约为83-86％）。 我的想法是：1）使这成为一个多类问题，选择2-3种不同类型的蛋白质，这些蛋白质将根据其特性/功能类别以及（也许）另一组随机采样的样本确定为阴性。（这里的优先级将是负集合，其特征/特征与正集合相似，同时仍具有定义的特征）。2）一次课堂学习-很好，但是据我了解，它仅用于异常检测，并且其性能比歧视性方法差。 *）我听说过PU学习，听起来很整洁，但是我正在编程N00b，而且我不知道它的任何现有实现。（在Python / sci-kit中学习）。 那么，方法1在理论POV中是否有意义？有没有最好的方法来制作多个负数集？（我也可以简单地使用大量[50K]的“阴性”蛋白，但是它们彼此之间非常不同，因此我不知道分类器如何将它们作为一个大的不平衡混合物来​​处理）。谢谢！

16 machine-learning  data-mining  python  classification 

我一直在做分类问题，并且阅读了很多人的代码和教程。我注意到的一件事是，许多人采用np.log或log连续变量，例如loan_amount或applicant_income等。 我只想了解其背后的原因。它有助于提高我们的模型预测准确性。它是强制性的吗？还是背后有逻辑？ 如果可能的话，请提供一些解释。谢谢。

16 machine-learning  python  classification  scikit-learn 

在Keras从头开始培训卷积网络的博客中，代码仅显示了运行在培训和验证数据上的网络。那测试数据呢？验证数据是否与测试数据相同（我认为不是）。如果在与train和validation文件夹相似的行上有一个单独的测试文件夹，我们如何获得测试数据的混淆矩阵。我知道我们必须使用scikit Learn或其他软件包来执行此操作，但是如何从类明智的测试数据概率中获取一些信息呢？我希望将其用于混淆矩阵。

16 machine-learning  python  deep-learning  keras  confusion-matrix 

下面的预测函数也给出-ve值，因此它不可能是概率。 param <- list(max.depth = 5, eta = 0.01, objective="binary:logistic",subsample=0.9) bst <- xgboost(param, data = x_mat, label = y_mat,nround = 3000) pred_s <- predict(bst, x_mat_s2) 我用谷歌搜索，pred_s <- predict(bst, x_mat_s2,type="response") 但没有成功。 题 如何预测概率呢？

16 machine-learning  r  predictive-modeling  decision-trees 

我有以下CNN： 我从5x5大小的输入图片开始 然后，我使用2x2内核和stride = 1进行卷积，生成大小为4x4的特征图。 然后，我将2x2 max-pooling应用于stride = 2，这会将要素图缩小为2x2。 然后我应用逻辑乙状结肠。 然后是一层完全连接的带有2个神经元的层。 并有输出层。 为了简单起见，假设我已经完成了前向通过并计算出δH1= 0.25和 δH2= -0.15 因此，在完成完全向前传递和部分完成向后传递之后，我的网络如下所示： 然后，我为非线性层（逻辑Sigmoid）计算增量： δ11= （0.25 * 0.61 + - 0.15 * 0.02 ）* 0.58 * （1 - 0.58 ）= 0.0364182δ12= （0.25 * 0.82 + - 0.15 * - 0.50 ）* 0.57 * （1 - 0.57 …

16 machine-learning  convnet  backpropagation  cnn  kernel 

在机器学习中训练模型时，为什么有时将批次大小保持为2的幂是有利的？我认为最好使用最大适合GPU内存/ RAM的大小。 该答案声称，对于某些包装，批次大小以2的幂为佳。有人可以为此提供详细说明/链接到详细说明吗？对于所有优化算法（梯度下降，反向传播等）还是仅其中某些算法，这是正确的吗？

16 machine-learning  training 

我了解到，为了创建回归模型，我们必须通过将分类变量转换为虚拟变量来加以处理。例如，如果在我们的数据集中存在诸如location之类的变量： Location ---------- Californian NY Florida 我们必须像这样转换它们： 1 0 0 0 1 0 0 0 1 但是，建议无论存在多少个虚拟变量，都必须丢弃一个虚拟变量。 为什么我们需要丢弃一个虚拟变量？

16 machine-learning  regression  categorical-data 

我是一名新生，目前正在使用神经网络进行研究（这是提法的，因此您可能会原谅我的陌生感）。根据我教授的指导，我已经编码了一个三节点神经网络（有效）。但是，我想从事AI和数据科学领域的工作，并且想深入地自学这些知识。是否有任何书籍或资源可以教我更多有关神经网络结构，深度学习等的知识。是否有任何建议？ 注意：我精通Java，Python，Bash，JavaScript，Matlab，并且懂一点C ++。

15 machine-learning  neural-network 

在阅读有关使用递归神经网络生成文本的信息时，我注意到一些示例被实现为逐个单词地生成文本，而另一些字符则逐个字符地生成，而没有实际说明原因。 那么，是什么，预测文本RNN模型之间的区别每个字的基础，并且预测文本的那些每个字符的基础？基于单词的RNN是否需要更大的语料库大小？基于char的RNN泛化效果更好吗？也许唯一的区别是输入表示形式（单热编码，单词嵌入）？选择哪种文本生成方式？

15 machine-learning  neural-network  nlp  rnn 

是否有用于R的任何机器学习包都可以利用GPU来提高训练速度（类似于python世界中的theano）？ 我看到有一个名为gputools的程序包，它允许在gpu上执行代码，但我正在寻找一个更完整的库用于机器学习。

15 machine-learning  r  gpu 

假设一组由许多数据源组成的结构松散的数据（例如Web表/链接的打开数据）。数据后面没有通用的模式，每个数据源都可以使用同义词属性来描述值（例如“国籍”与“ bornIn”）。 我的目标是找到一些“重要”属性，以某种方式“定义”它们描述的实体。因此，当我为这样的属性找到相同的值时，我将知道这两个描述很可能是关于同一实体（例如同一个人）的。 例如，属性“ lastName”比属性“国籍”更具区分性。 我怎样才能（统计地）找到比其他更重要的属性？ 一个简单的解决方案是获取每个属性值的平均IDF，并将其作为属性的“重要性”因素。一种类似的方法是计算每个属性出现多少个不同的值。 我已经在机器学习中看到了术语“特征”或“属性选择”，但是我不想丢弃其余的属性，我只是想给最重要的属性赋予更高的权重。

15 machine-learning  statistics  feature-selection 

我目前正在准备有关神经网络的考试。在以前考试的一些协议中，我读到（多层感知器中）神经元的激活功能必须是单调的。 我知道激活函数应该是可微的，在大多数点上具有不为0的导数，并且是非线性的。我不明白为什么单调很重要/有帮助。 我知道以下激活函数，它们是单调的： ReLU 乙状结肠 h Softmax：我不确定单调性的定义是否适用于函数F：Rñ→ R米F：[Rñ→[R米f: \mathbb{R}^n \rightarrow \mathbb{R}^m，Ñ ，米> 1ñ，米>1个n, m > 1 软加 （身份） 但是，我仍然看不到为什么φ （x ）= x2φ（X）=X2\varphi(x) = x^2任何原因。 为什么激活函数必须是单调的？ （相关的侧面问题：对数/指数函数不用作激活函数有任何原因吗？）

15 machine-learning  neural-network 

我想知道mahout基于用户的推荐与基于项目的推荐之间到底有何不同。 它定义了 基于用户：通过查找相似用户来推荐项目。由于用户的动态特性，这通常很难扩展。 基于项目：计算项目之间的相似度并提出建议。项目通常不会有太大变化，因此通常可以离线进行计算。 但是，尽管有两种建议可用，但据我了解，这两种建议都将采用某种数据模型（例如1,2或1,2，.5作为item1，item2，value或user1，user2，value，其中value不是必选），并将所有计算作为我们选择的相似性度量和推荐器内置函数，并且我们可以在同一数据上运行基于用户/项目的推荐（这是正确的假设??）。 因此，我想知道这两种算法在各个方面到底有何不同。

15 machine-learning  data-mining  algorithms  recommender-system