k近邻法（KNN）knn是一种基本的分类与回归方法，其分类思想在于给定一个训练数据集，对一个新的输入实例，如果能在训练数据集中找到与该实例最邻近的k个实例，并且这k个实例的多数属于某个类，那么就把这个新的输入实例分为这个类。knn需要注意的几个术语：邻域、距离、位置、维度(影响着模型的复杂度)，下面是knn大致的一个内容。 补充： 设特征空间X是n维实数向量空间Rn，xi，xj∈X，xi=(x
转载
2023-10-06 23:02:23
341阅读
1.算法描述脉冲耦合神经网络（PCNN-Pulse Coupled Neural Network）与传统神经网络相比，有着根本的不同。PCNN有生物学的背景，它是依据猫、猴等动物的大脑皮层上的同步脉冲发放现象提出的。PCNN有着广泛的应用，可应用于图像分割，边缘检测、细化、识别等方面。PCNN是Eckhorn于20世纪90年代开始提出的一种基于猫的视觉原理构建的简化神经网络模型，与BP神经网络和K
转载
2023-07-31 21:32:34
214阅读
关于kNN的一切@(神经网络) 文章目录关于kNN的一切kNN定义kNN思想Implementation of kNN总结不要脸环节 kNN定义在模式识别领域中，最近邻居法（KNN算法，又译K-近邻算法，K Nearest-Neighbor ）是一种用于分类和回归的非参数统计方法[1]。在这两种情况下，输入包含特征空间（Feature Space）中的k个最接近的训练样本。
——Wik
转载
2023-10-29 11:03:30
199阅读
一、简单的算法1、KNN kNN的思想如下：对于一个个案，找到它附近的k个个案（邻居），把这些邻居的类别的众数作为自己的类别。 KNN的特点：kNN不具有显式的学习过程，它直接基于实例对样本进行预测（惰性学习的代表)；kNN是非参数学习算法，
转载
2024-02-07 09:26:13
521阅读
重要！重要！重要~一、神经网络（NNet）的动机 神经网络有很久的历史，由感知机（perceptron）模型发展而来。单个的perceptron只能处理线性问题，通过组合（融合）多个perceptron，相当于一层的神经网络，能提高perceptron的能力，很容易实现逻辑与、或、非，以及凸集合，但不能实现异或运算
转载
2023-07-26 22:04:56
191阅读
简单的说，K近邻算法是采用不同特征值之间的距离方法进行分类。 该方法优点：精确值高、对异常值不敏感、无数据输入假定 缺点：计算复杂度高、空间复杂度高 适用范围：数据型和标称型 现在我们来讲KNN算法的工作原理：存在一个样本数据集，也称作训练样本集，并且样本中每条数据都存在标签
转载
2023-07-07 23:35:02
0阅读
K-近邻算法：如果K = 3，绿色圆点最近的3个邻居：2个红色三角，和1个蓝色矩形，少数从属多数，基于统计的算法，判定绿色圆点为红色三角一类。如果K = 5，绿色圆点最近的5个邻居：2个红色三角，和3个蓝色矩形，少数从属多数，基于统计的算法，判定绿色圆点为蓝色矩形一类。 对于未知类别属性数据集中的点：1.计算已知类别数据集中的点与当前点的距离2.按照距
转载
2024-04-22 20:08:39
78阅读
神经网络人工神经网络（英语：Artificial Neural Network，ANN），简称神经网络（Neural Network，NN）或类神经网络，在机器学习和认知科学领域，是一种模仿生物神经网络（动物的中枢神经系统，特别是大脑）的结构和功能的数学模型或计算模型，用于对函数进行估计或近似。神经网络由大量的人工神经元联结进行计算。大多数情况下人工神经网络能在外界信息的基础上改变内部结构，是一种
转载
2023-07-06 14:46:17
109阅读
“学习”目的：从训练数据中自动获取最优权重、偏置参数，使得损失函数达到最小。▲注：若有100个训练数据，要把100个损失函数的总和作为学习的指标。即： 假设有N个数据，tnk表示第n个数据的第k个元素的值，ynk是神经网络的输出，tnk是监督数据。得到E为单个数据的平均损失函数。 ▲注：为使损失函数达到最小，需要计算权重、偏置参数的导数（准确的说是梯度），然后以这个导数为指引，逐步更新参数的值。
转载
2023-08-30 19:00:00
222阅读
一.KNN算法概述 KNN可以说是最简单的分类算法之一，同时，它也是最常用的分类算法之一，注意KNN算法是有监督学习中的分类算法，它看起来和另一个机器学习算法Kmeans有点像（Kmeans是无监督学习算法），但却是有本质区别的。那么什么是KNN算法呢，接下来我们就来介绍介绍吧。二.KNN算法介绍 KNN的全称是K Nearest Neighbors，意思是K个最近的邻居，从这个名字我们就能看出一
转载
2023-12-15 17:24:07
1070阅读
总结包括Kohonen网络的基本介绍，以及实现原理，并绘制算法的实现步骤。基本信息Kohonen网络（KN，也称之为自组织（特征）映射（SOM/SOFM：self organising (feature) map））它是由自组织竞争型神经网络的一种，该网络为无监督学习网络，能够识别环境特性并自动聚类。由两层前馈神经网络组成，包括输入层和输出层。输入层与输出层之间通过神经元进行双向连接，将输入在输出
转载
2023-08-06 12:09:57
140阅读
深度学习-神经网络：DNN（Deep Neural Networks=Fully Connected Neural Net==MLP，深度神经网络=全连接神经网络=多层感知器）一、神经网络的介绍1. 人工神经网络的概念2. 神经元的概念3. 单层神经网络4. 感知机（多个输入，一个输出==>设置一个阈值可用于二分类）5. 多层神经网络6. 激活函数（增加模型的非线性分割能力）7、神经网络示
转载
2023-09-15 21:50:43
341阅读
我们将以Keras的示例讨论简单的神经网络及其定义。在传统机器学习上使用神经网络来提高准确性和更大的复杂数据。神经网络 神经网络在全球各行各业中都在蓬勃发展。 它涉及用于回归，分类，聚类等的传统机器学习算法。当我们获取大量复杂数据时，就会出现准确性，过拟合以及有时需要花费更多时间进行测试和培训的问题。神经网络的基本类型人工神经网络卷积神经网络递归神经网络神经网络是处理非线性数据的很好算法。感知器一
转载
2023-11-10 13:33:13
54阅读
神经网络计算机视觉所面临的挑战照射角度；光照强度；形状改变；部分遮蔽；背景混入…常规套路：1.收集数据并给定标签2.训练一个分类器3.测试，评估K近邻尝试图像分类对于未知类别属性数据集中的点：1.计算已知类别数据集中的点与当前点的距离 2.按照距离依次排序 3.选取与当前点距离最小的K个点 4.确定前K个点所在类别的出现概率 5.返回前K个点出现频率最高的类别作为当前点预测分类。概述： KNN 算
转载
2023-08-29 16:10:04
163阅读
“Does the Past Predict the Future?” ——《Economist》今天，我们来一起测试一下大名鼎鼎的深度神经网络DNN，依然使用我们常用的人工智能学
转载
2024-04-09 21:51:02
55阅读
RNN——循环神经网络为什么需要RNN（循环神经网络）他们都只能单独的取处理一个个的输入，前一个输入和后一个输入是完全没有关系的。但是，某些任务需要能够更好的处理序列的信息，即前面的输入和后面的输入是有关系的。RNN结构首先看一个简单的循环神经网络如，它由输入层、一个隐藏层和一个输出层组成：我们现在这样来理解，如果把上面有W的那个带箭头的圈去掉，它就变成了最普通的全连接神经网络。x是一个向量，它表
转载
2023-10-19 09:10:46
49阅读
KNN是k nearest neighbor 的简称，即k最邻近，就是找k个最近的实例投票决定新实例的类标。KNN是一种基于实例的学习算法，它不同于贝叶斯、决策树等算法，KNN不需要训练，当有新的实例出现时，直接在训练数据集中找k个最近的实例，把这个新的实例分配给这k个训练实例中实例数最多类。KNN不需要训练过程，在类标边界比较整齐的情况下分类的准确率也很高。K
转载
2023-08-17 19:23:25
399阅读
第6章 卷积神经网络卷积神经网络(Convolutional Neural Network,CNN)是在实际应用中最为成功的一种神经网络，其专门用于处理格状结构数据，比如图片数据就可以看成是由像素组成的二维格状数据。之所以称为“卷积”是因为其数据处理方式类似于数学中的卷积操作，该网络也是人工智能领域受生物启发最成功的模型之一，该模型儿乎垄断了机器视觉方面的研究。6.1 卷积操作1.卷积的组成部分：
转载
2023-10-13 00:19:17
128阅读
文章目录远程监督PCNN关系抽取PCNN方法论向量表达卷积层分段最大池化层Softmax层多实例学习Reference Tensorflow2.2实现，见github仓库。 远程监督关系抽取训练集标注成本高，一般使用远程监督方法（半监督）自动标注数据。远程监督假设，若知识库中两个实体具有某种关系，则任何包含这两个实体的句子都具有这种关系。下图为使用远程监督自动标注数据的实例，其中第一句标注正确，
转载
2023-11-12 11:31:29
112阅读
今天介绍一下Neural NetWork，都是一下个人理解，认真看的话看懂肯定不是问题。个人微信公众号：计算机金融阅读。欢迎关注。 1.首先介绍一下神经网络的基本组成，从左边开始，那些x就是输入样本点所包含的特征，然后经过第一层的w权重，得出第二层神经元（图中圆圈表示神经元）的输入值，在经过一个激活函数将输入值S转化为输出值X，这里的激活函数可以选用不同的函数，在吴恩达机器学习视频中的激活函数为
转载
2023-10-04 10:21:01
66阅读
