简明机器学习网
首页
数学基础
关于网站
分类
默认分类
下的文章
期望风险、经验风险、结构风险的关系
撰写于
2019-08-20
浏览:604 次 分类:
默认分类
首先说一下损失函数的概念。损失函数就一个具体的样本而言,模型预测的值与真实值之间的差距。对于一个样本(xi,yi)其中yi为真实值,而f(xi)为我们的预测值。使用损失函数L(f(xi),yi)来表示真实值和预测值之间的差距。两者差距越小越好,最理想的情况是预测值刚好等于真实值。 通过损失函数我们可以得知对于单个样本点的预测能力,对于训练样本集中所[...]
大O表示法和损失函数
撰写于
2019-08-15
浏览:1187 次 分类:
默认分类
1、大O表示法在数据结构和算法领域,我们关注的对象是算法。我们用大O表示法来表示运行时间,大O表示法可以告诉我们算法的快慢。而在机器学习领域,我们关注的模型,通常使用损失函数估量模型的预测值与真实值的不一致程度。2、损失函数损失函数(Loss function)又叫做误差函数,用来衡量算法的运行情况,估量模型的预测值 与真实值的不一致程度,是一个非[...]
推荐系统之近线层介绍
撰写于
2019-08-09
浏览:26585 次 分类:
默认分类
近线层,也叫做准实时层,所谓“准实时”,就是接近实时,但不是真的实时。近线层的特点是:使用实时数据,不保证实时服务,这是一个非常重要的一层,它结合了离线层和在线层的好处,摒弃了两者的不足。一个典型的近线计算任务是这样的:从事件队列中获取最新的一个或少许几个用户反馈行为,首先将这些用户已经反馈过的物品从离线推荐结果中剔除,进一步,用这几个反馈行为作为[...]
TimeSVD++模型介绍
撰写于
2019-08-09
浏览:1828 次 分类:
默认分类
推荐系统中广泛使用基于协同过滤(Collaboraive Filtering, CF)的推荐算法。该类算法基于用户对商品的评分或其他行为模式来为用户提供个性化的推荐。构成协同过滤(CF)的两种主要技术:基于邻域的方法和隐语义模型,其中,基于矩阵分解的隐语义模型在预测的稳定性以及精确度上获得了广泛认可。SVD 介绍对于矩阵分解方法,早期主要是利用奇异[...]
欢迎
撰写于
2019-08-08
浏览:939 次 分类:
默认分类
欢迎
分类
默认分类
机器学习之数学基础
最新文章
推荐阅读《白话机器学习算法》
期望风险、经验风险、结构...
大O表示法和损失函数
推荐系统之近线层介绍
TimeSVD++模型介绍
线性代数学习的三种境界
欢迎
热门文章
推荐系统之近线层介绍
TimeSVD++模型介绍
大O表示法和损失函数
线性代数学习的三种境界
欢迎
推荐阅读《白话机器学习算法》
期望风险、经验风险、结构风险的关系
最新评论
HowArown
:
https://su[...]
RichardExcuh
:
У людей пр[...]
HowArown
:
https://su[...]
JoshuaJam
:
Tadalafil [...]
Anthonyfut
:
У нашего о[...]
BrendonMic
:
You actual[...]
cedisee
:
https://uk[...]
Gerardorag
:
tadalafil [...]
BrendonMic
:
You have m[...]
cedisee
:
https://uk[...]
归档
August 2019
友情链接