机器学习中的正则化 正则化的主要作用是降低模型过拟合风险,因此,阅读本文前可以先了解一下 过拟合与欠拟合,再来看正则化相关的知识。 正则化了解正则化前,需要先了解范数(Norm)。 范数范数可以理解为“距离”的抽象定义,日常生活中我们提到的“距离”其实是欧氏距离(下文即将介绍),也就是 $l_2$范数。 设 $p\geq1$,关于向量 $\boldsymbol{x}=(x_1, x_2, …, x_n)$ 2023-01-11 机器学习 #过拟合 #正则化
机器学习中的过拟合与欠拟合 过拟合与欠拟合什么是过拟合与欠拟合?过拟合是指模型对于训练数据拟合呈过当的情况,反映到评估指标上,就是模型在训练集上的表现很好,但在测试集和新数据上的表现较差。欠拟合指的是模型在训练和预测时表现都不好的情况。下图形象地描述了过拟合和欠拟合的区别。 可以看出,图(a)是欠拟合的情况,拟合的黄线没有很好地捕捉到数据的特征,不能够很好地拟合数据。图(c)则是过拟合的情况,模型过于复杂,把噪声数据的特 2023-01-10 机器学习 #过拟合 #欠拟合
在Linux上安装NVIDIA驱动程序和CUDA Visit the DOWNLOAD DRIVERS page on the NVIDIA official website. Set the search conditions and click SEARCH to search for the driver that you want to install. Take an example of installing the driver 2022-11-04 #驱动 #CUDA #Linux
常用的机器学习模型评估指标 本文根据任务类型分类整理了常用的机器学习模型评估指标。 1. 分类任务1.1 混淆矩阵[1]混淆矩阵是用于评估分类模型性能的 $N \times N$ 矩阵,其中 $N$ 是目标类的数量(本文以二分类为例讲解分类任务指标)。 图片来自:confusion-matrix 在二分类中,根据样本的真实标签和模型预测结果,可以将所有测试样本分为四类: TP(True Positive):被正确预 2022-06-16 机器学习 #评估指标 #混淆矩阵