Questions tagged «machine-learning»

当前在Octave中工作，但是由于文档不佳，进度非常慢。 哪种语言易于学习和使用，并且有充分的文献记载来解决机器学习问题？我希望在一个小的数据集（成千上万的示例）上建立原型，因此速度并不重要。 编辑：我正在开发一个推荐引擎。因此，我对使用正则化线性回归，神经网络，SVN或协作过滤感兴趣。

12 r  machine-learning  matlab  software  python 

softmax函数通常在神经网络中用于将实数转换为概率，它与Boltzmann分布（在热力学中在给定温度T时，在整个能量平衡中，处于热平衡状态的粒子的概率分布）具有相同的函数。 我可以看到一些明显的启发性原因，这是可行的： 无论输入值是否为负，softmax都会输出正值，总和为1。 它总是可区分的，对于反向传播很方便。 它具有一个“温度”参数，用于控制网络对较小值的宽容度（当T很大时，所有结果均可能发生，当T很小时，仅选择输入最大的值）。 出于实际原因，玻尔兹曼函数是否仅用作softmax，还是与热力学/统计物理学有更深的联系？

12 machine-learning  neural-networks  softmax 

我想知道使用谐波均值（例如，计算F值）相对于组合精度和查全率的加权算术平均数的内在价值是什么？我认为加权算术平均值可能会起到谐波均值的作用，还是我错过了一些东西？

12 machine-learning  monte-carlo  precision-recall  harmonic-mean 

在Bishop的模式识别和机器学习中，在引入概率密度之后，我读了以下内容：p(x∈(a,b))=∫bap(x)dxp(x∈(a,b))=∫abp(x)dxp(x\in(a,b))=\int_a^bp(x)\textrm{d}x 在变量的非线性变化下，由于雅可比因子，概率密度与简单函数的变换不同。例如，如果我们考虑变量，则函数变为 。现在考虑 相对于新变量对应于密度的概率密度，其中满足表示和是不同密度的事实。观测落在范围将用于的小值 ，被变换成的范围内x=g(y)x=g(y)x = g(y)f(x)f(x)f(x)f~(y)=f(g(y))f~(y)=f(g(y))\tilde{f}(y) = f(g(y))px(x)px(x)p_x(x)py(y)py(y)p_y(y)yyypx(x)px(x)p_x(x)py(y)py(y)p_y(y)(x,x+δx)(x,x+δx)(x, x + \delta x)δxδx\delta x(y,y+δy(y,y+δy(y, y + \delta y），其中 px(x)δx≃py(y)δypx(x)δx≃py(y)δyp_x(x)\delta x \simeq p_y(y)δy，因此py(y)=px(x)|dxdy|=px(g(y))|g′(y)|py(y)=px(x)|dxdy|=px(g(y))|g′(y)|p_y(y) = p_x(x) |\frac{dx}{dy}| = p_x(g(y)) | g\prime (y) |。 雅可比因子是什么？所有事物的确切含义（可能是定性）是什么？Bishop说，此属性的结果是，概率密度最大值的概念取决于变量的选择。这是什么意思？ 对我来说，这有点出乎意料（考虑在介绍章节中）。我会感谢一些提示，谢谢！

12 machine-learning  probability 

最近，我回顾了XGBoost算法，并且注意到该算法可以在训练阶段处理丢失的数据（无需估算）。我想知道XGboost用于预测新观测值时是否可以处理丢失的数据（无需估算），还是有必要估算丢失的数据。 提前致谢。

12 machine-learning  missing-data  data-imputation  xgboost 

在强化学习中，当存在较大的状态空间时，通常使用线性函数逼近。（当查找表变得不可行时。） 线性函数近似的值的形式为问-Q−Q- Q （s ，a ）= w1个F1个（s ，a ）+ w2F2（s ，a ）+ ⋯ ，Q(s,a)=w1f1(s,a)+w2f2(s,a)+⋯,Q(s,a) = w_1 f_1(s,a) + w_2 f_2(s,a) + \cdots, 其中是权重，f i是特征。w一世wiw_iF一世fif_i 这些功能由用户预定义。我的问题是，权重如何分配？ 我已经阅读/下载了一些有关学习函数逼近的讲座幻灯片。他们中的大多数人都跟随着线性回归的幻灯片。由于它们只是幻灯片，因此往往不完整。我想知道这两个主题之间的联系/关系是什么。问-Q−Q-

12 machine-learning  feature-selection  reinforcement-learning 

我正在阅读PRML，但我不了解图片。您能否提供一些提示以了解图片，以及为什么高斯分布中的MLE方差存在偏差？ 公式1.55： 公式1.56 μMLE=1N∑n=1NxnμMLE=1N∑n=1Nxn \mu_{MLE}=\frac{1}{N} \sum_{n=1}^N x_n σ2MLE=1N∑n=1N(xn−μMLE)2σMLE2=1N∑n=1N(xn−μMLE)2 \sigma_{MLE}^2=\frac{1}{N}\sum_{n=1}^{N}(x_n-\mu_{MLE})^2

12 machine-learning  self-study  maximum-likelihood 

我找不到什么是分类器的一般定义？我了解它是如何工作的，但我无法给出一个定义。

12 machine-learning  classification 

在研究最大似然估计时，要进行最大似然估计的推论，我们需要知道方差。要找出方差，我需要知道Cramer的Rao下界，它看起来像是在曲率上具有二阶导数的Hessian矩阵。我有点混在一起来定义协方差矩阵和粗麻布矩阵之间的关系。希望听到有关该问题的一些解释。一个简单的例子将不胜感激。

12 machine-learning  mathematical-statistics  maximum-likelihood  data-mining 

我有6个班级的问题。因此，我构建了一个多类分类器，如下所示：对于每个类，我都有一个Logistic回归分类器，使用“一个vs全部”，这意味着我有6个不同的分类器。 我可以为我的每个分类器报告一个混淆矩阵。但是，我想报告所有分类器的混淆矩阵，正如我在此处的许多示例中所看到的那样。 我该怎么做？我是否必须使用“一对一”算法而不是“一对一”算法来更改分类策略？因为在这些混淆矩阵上，报告指出了每个类别的误报。 多类混淆矩阵的示例 我想找到错误分类的物品数量。在第一行中，有137个类别1的示例被分类为1类，而13个类别1的示例被分类为2类。如何获得这个号码？

12 machine-learning  logistic  classification  multi-class  confusion-matrix 

我想使用决策树桩实现Adaboost。在Adaboost的每次迭代中做出与我们的数据集功能一样多的决策树根是否正确？ 例如，如果我有一个包含24个要素的数据集，那么每次迭代中是否应该有24个决策树桩分类器？还是应该随机选择一些功能并对其进行分类，而不是对所有功能进行分类？

12 machine-learning  classification  cart  boosting 

当有人说从128到4000之间的对数均匀分布中采样数据时，这是什么意思？与均匀分布采样有何不同？ 看到这篇文章：http : //www.jmlr.org/papers/volume13/bergstra12a/bergstra12a.pdf 谢谢！

12 machine-learning  distributions  uniform 

Predicted class Cat Dog Rabbit Actual class Cat 5 3 0 Dog 2 3 1 Rabbit 0 2 11 如何计算精度和召回率，因此轻松计算F1得分。正常的混淆矩阵为2 x 2维。但是，当它变成3 x 3时，我不知道如何计算精度和召回率。

12 machine-learning  precision-recall 

最近，我意识到文学中流传着“无可能性”方法。但是我不清楚推理或优化方法是没有可能性的意味着什么。 在机器学习中，目标通常是使某些参数拟合函数的可能性最大化，例如神经网络上的权重。 那么，无可能性方法的原理到底是什么？为什么像GAN这样的对抗网络却属于这一类呢？

11 machine-learning  deep-learning  maximum-likelihood  generative-models  abc 

我经常与他们谈论贝叶斯层次模型中的信息借用或信息共享。对于这实际上意味着什么以及贝叶斯层次模型是否独特，我似乎无法获得一个直接的答案。我有点主意：层次结构中的某些级别共享一个公共参数。我不知道这如何转换为“信息借用”。 人们喜欢扔掉“信息借用” /“信息共享”这句话吗？ 是否有一个封闭形式的后继例子来说明这种共享现象？ 这是贝叶斯分析所独有的吗？通常，当我看到“信息借用”示例时，它们只是混合模型。也许我以一种老式的方式学习了这种模型，但是我看不到任何共享。 我对开始有关方法的哲学辩论不感兴趣。我只是对这个术语的使用感到好奇。

11 machine-learning  bayesian  multilevel-analysis  terminology  hierarchical-bayesian