聚类算法之模型评估1 误差平方和(SSE \The sum of squares due to error)：举例:(下图中数据-0.2, 0.4, -0.8, 1.3, -0.7, 均为真实值和预测值的差)在k-means中的应用:公式各部分内容:【k为2类，m代表当前c类的聚心/质心，p为c类中所有点】上图中: k=2SSE图最终的结果,对图松散度的衡量.(eg: SSE(左图)&l
在本文中，我对现代机器学习算法进行了简要梳理，我通过查阅转载众多博客和资料，基于实践中的经验，讨论每个算法的优缺点，并以机器学习入门者的角色来看待各个模型。主要内容来自《机器之心》：回归、分类与聚类：三大方向剖解机器学习算法的优缺点通俗理解：1.给定一个样本特征 , 我们希望预测其对应的属性值 , 如果是离散的, 那么这就是一个分类问题，反之，如果是连续的实数, 这就是一个回归问题。 2.如果给定
首先项目里的java文件，以及项目引用到的第三方jar或aar包里面的class，统统都编译成classes.dex放在apk包的根目录，项目的资源目录和AndroidManifest.xml被处理生成资源目录和resource.arsc以及AndroidManifest.xml文件放到apk包根目录。apk包安装到android后，apk包被复制到/data/
Apollo无人驾驶平台的离线搭建与使用1.准备工作2.安装相关依赖环境2.1 安装ubuntu16.042.2 安装ROS环境2.3 安装docker2.4 加载docker的镜像3. 使用Apollo仿真平台3.1 启动并进入docker3.2 编译与运行 对于学习无人驾驶的人来说，apollo是一个比较完整且系统的无人驾驶平台，比较适合入门。学习的第一步是安装并使用该平台，安装过程中网上有
强化学习——强化学习的算法分类
上一篇文章回顾了强化学习的核心概念，这里继续通过Open AI 的Spinning Up 项目总结强化学习(RL)的算法，通过分类和对比的方法系统介绍强化学习的算法。1. 算法分类 现代强化学习算法分类---图片来自Open AI Spinning up 项目--- 由于强化学习是一个更新速度非常快的领域，所以准确地全面地分
转载
2023-08-03 20:24:51
174阅读
最近在看《深入浅出强化学习 原理入门》这本书，虽然书中的内容大多我是看不太懂，不过还是发现一些比较不错的内容，比如下面这个就是对强化学习的大致分类，这个看了以后感觉对强化学习有了一个大概的路线。
原创
2022-05-18 16:41:48
92阅读
性回归模型损失和优化学习任务优化方法正规方程正规方程推导过程梯度下降梯度下降公式两者的对比如何选择小规模数据大规模数据 学习任务使用正规方程对损失函数优化的过程
使用梯度下降法对损失函数优化的过程优化方法正规方程正规方程,一次就可以求得最合适的值 理解：X为特征矩阵，y为目标值矩阵。直接求得最好的结果 缺点：当特征值过多复杂时，求解速度太慢并且得不到结果。正规方程推导过程梯度下降 &n
线性模型中n维输入就可以用向量表示，n维权重也可以用向量表示，以及一个标量偏差（这其实就是普通的变量，例如y=ax+b中的b）。通过向量表示就可以是y=<w,x>+b（内积+b）。衡量预测质量：损失函数=1/2(真实值-估计值)^2，前面的常量是为了求导的时候可以凑1。这样的函数成为平方损失训练损失中，1/2是平方损失中原本就有的，1/n是为了求每个训练样本的平均损失；<xi,
线性回归举例：预测房价、股票等希望输入一个（或多个）值，得到预测值线性回归具体做法量化收集到的特
原创
2022-08-01 10:37:21
82阅读
常用的分类算法包括： 决策树分类法 朴素的贝叶斯分类算法(native Bayesian classifier) 基于支持向量机(SVM)的分类器 神经网络法 k-最近邻法(k-nearest neighbor，kNN) 模糊分类法下文出处 常见的聚类算法包括： ①基于划分的聚类算法 k-means： 是一种典型的划分聚类算法，它用一个聚类的中心来代表一个簇，即在迭代过程中选择的聚点不一定是聚类中
文章目录1 前言2 正文1.1 强化学习定义1.2 马尔可夫决策过程1.3 强化学习的目标函数1.3.1 总回报1.3.1 目标函数1.4 值函数1.4.1 状态值函数1.4.2 状态-动作值函数14.3 值函数的作用1.5 强化学习的分类1.5.1 按任务分类1.5.2按算法分类3 总结1 前言监督学习可用于回归，分类等任务，这一般都需要一定数量的带标签的数据。然而，在很多的应用场景中，通过人工标注的方式来给数据打标签的方式往往行不通。比如我们通过监督学习来训练一个模型可以来自动下围棋，就需要将当前
原创
2021-06-21 15:33:36
3433阅读
点赞
1评论
pytorch进阶Broadcast 广播 自动扩展拼接与拆分cat （拼接）stack （拼接）split 按长度拆分chunk 按个数拆分数学运算Add/minus/multiply/divide 加减乘除mm / matmul / @ 矩阵相乘pow / sqrt / rsqrt 方根/根号/求导exp / log 以e为底 / 以10为底.floor() .ceil().trunc()
强化学习强化学习强化学习DQNDDPGPPOA3C
原创
2021-08-02 15:00:43
298阅读
强化学习，是一种源于试错方式，遵循马尔科夫决策过程的机器学习方法。目前强化学习已广泛的出现在人工智能的应用中，国内各互联网公司从 2016 年开始均开始关注强化学习，目前已经公布了许多基于强化学习的研究与应用。当然最出名的还是 DeepMind 当年使用强化学习训练 AI 玩雅利达 2600 游戏的实验，这让 Google 迅速收购了 DeepMind，也把强化学习再度推上人工智能技术顶峰，同时为后来的 AlphaGo, AlphaZero 奠定了技术基础。**
原创
2019-04-09 12:52:33
564阅读
深度强化学习是一种机器学习，其中智能体(Agent，也翻译作代理)通过执行操作（Action）和查看结果（R
转载
2022-07-29 09:09:25
1169阅读
目录一.强化学习1.1定义1.2组成二.应用2.1初出茅庐2.2无人驾驶2.3游戏示意图如下所示： 强化学习的各个组成元素的
强化学习强化学习强化学习Python 还能实现哪些 AI 游戏？附上代码一起来一把！
原创
2021-08-02 14:21:53
765阅读
GitHub：https://github.com/audioset/ontology谷歌发布的大规模音频数据集，AudioSet 包括 632 个音频事件类的扩展类目和从YouTube视频绘制的 2084320 个人类标记的10秒声音剪辑的集合。音频本体 (ontology) 被确定为事件类别的一张层级图，覆盖大范围的人类与动物声音、乐器与音乐流派声音、日常的环境声音。 AndioSet能为音频
通过对用电负荷的消费者进行聚类，我们可以提取典型的负荷曲线，提高后续用电量预测的准确性，检测异常或监控整个智能电网（Laurinec等人（2016），Laurinec和Lucká（ 2016））。第一个用例通过K-medoids聚类方法提取典型的电力负荷曲线。有50个长度为672的时间序列（消费者），长度为2周的耗电量的时间序列。这些测量数据来自智能电表。维数太高，会发生维数的诅咒。因此，我们必须
我们知道SVM的基本原理就是找一个超平面（广义平面）将样本分为几个部分，即分类。MATLAB中自带SVM包，使用起来也十分方便，假如X是特征矩阵，Y是分类标签（可以是数值（1、2）也可以是string，总之有区别就行。）二分类代码SVMModel = fitcsvm(X,y) %训练分类器
CVSVMModel = crossval(SVMModel); %分类器的交叉验证
classLoss
