1. 简介CTR预估模型主要用于搜索，推荐，计算广告等领域，传统CTR模型包括逻辑回归LR模型，因子分解机FM模型，梯度提升树GBDT模型等。 优点是可解释性强，训练和部署方便，便于在线学习。在搜索广告的场景中，query 和document使用不同的单词，同一个单词不同形态来表达同一个概念，需要通过文本的单词匹配来计算query和document的相似性。2. DSSM 模型思想： 将query
一、帧间预测基本原理 主要原理是为当前图像的每个像素块在之前已编码图像中寻找一个最佳匹配块,该过程称为运动估计( Motion Estimation,ME)。其中用于预测的图像称为参考图(Reference Frame)，参考块到当前像素块的位移称为运动向量(Motion Vector， MV)，当前像素块与参考块的差值称为预测残差( Prediction Residual
目录项目数据及源码1.数据处理1.1.数据预处理1.2.数据可视化1.3.配置数据集2.构建CNN网络2.1.池化层2.2.卷积层2.3.编译设置2.4.模型训练3.模型评估（acc：92.00%）4.模型优化（acc：93.78%）4.1.优化网络4.2.优化学习率 项目数据及源码可在github下载：https://github.com/chenshunpeng/Weather-recogn
转载
2024-04-15 14:54:22
128阅读
前面学习了线性回归的原理，那今天来看kaggle上的一个具体案例（房价预测）。一、提取数据我已经将数据下载到了本地，大家可以按照我之前的这篇文章来进行数据的下载~1、提取数据import numpy as np
import pandas as pd
from pandas import DataFrame as df
import seaborn as sns
path = r'C:\User
转载
2024-05-08 17:56:53
207阅读
Traditional Pooling Methods 要想真正的理解Global Average Pooling，首先要了解深度网络中常见的pooling方式，以及全连接层。众所周知CNN网络中常见结构是：卷积、池化和激活。卷积层是CNN网络的核心，激活函数帮助网络获得非线性特征，而池化的作用则体现在降采样：保留显著特征、降低特征维度，增大kernel的感受野。深度网络越往后面越能捕捉到物体的语
转载
2024-09-18 12:02:04
48阅读
PyTorch学习率调整策略通过torch.optim.lr_scheduler接口实现。PyTorch提供的学习率调整策略分为三大类，分别是 有序调整：等间隔调整(Step)，按需调整学习率(MultiStep)，指数衰减调整(Exponential)和 余弦退火CosineAnnealing。 ...
转载
2021-08-31 21:30:00
611阅读
2评论
一、概念1.1
原创
2022-08-09 13:22:51
477阅读
## 用LR方法预测Python中的数据
在机器学习和数据科学领域，逻辑回归（Logistic Regression, LR）是一种常用的分类算法。它被广泛应用于各种领域，包括医学、金融、市场营销等。在本文中，我们将介绍如何使用Python中的逻辑回归算法进行数据预测，并通过一个示例来说明其使用。
### 什么是逻辑回归？
逻辑回归是一种用于解决分类问题的统计学习方法。它使用一个逻辑函数（也
原创
2023-09-02 05:42:53
173阅读
一、算法介绍 Logistic regression （逻辑回归）是一种非线性回归模型，特征数据可以是连续的，也可以是分类变量和哑变量，是当前业界比较常用的机器学习方法，用于估计某种事物的可能性，主要的用途：分类问题：如，反垃圾系统判别，通过计算被标注为垃圾邮件的概率和非垃圾邮件的概率判定；排序问题：如，推荐系统中的排序，根据转换预估值进行排序；预测问题：如，广告系统中CTR预估，根据CTR预估值
原创
精选
2024-10-19 16:16:32
629阅读
目录【1】在进行神经网络训练的时候，对数据的处理包括：【2】dataset: 【3】dataset tensordataset：【4】使用dataset过程的出错：【1】在进行神经网络训练的时候，对数据的处理包括：使用dataset 构建数据dataloader进行batch的划分Pytorch导入数据主要依靠 torch.utils.data.DataLoader和 
转载
2024-01-13 21:30:14
48阅读
逻辑回归(LR)算法概述逻辑回归（Logistic Regression）是用于处理因变量为分类变量的回归问题，常见的是二分类或二项分布问题，也可以处理多分类问题，它实际上是属于一种分类方法。逻辑回归算法原理预测函数和决策边界逻辑回归的预测函数可以表示为： 举一个例子，假设我们有许多样本，并在图中表示出来了，并且假设我们已经通过某种方法求出了LR模型的参数（如下图）： 这时，直线上方所有样本都是正
转载
2024-05-06 22:51:48
258阅读
1 逻辑回归之第一次学习本文内容主要转自两处： [1] 逻辑回归从入门到深入（logistic regression) 本文内容从Python 逻辑回归实际使用的角度出发，较为通俗易懂，感谢其作者的分享。 [2] 《百面机器学习》之逻辑回归注意，下面有核心公式（1）、核心公式（2），笔者认为，理解了这两个公式，也就掌握逻辑回归的基本思想了。 其中（1）是逻辑回归函数（又称为对数几率函数），输出结果
深度学习——（8）回归问题 文章目录深度学习——（8）回归问题1.学习目标2. 使用数据3.上代码3.1 相关package3.2 数据了解3.3 构建网络模型3.4 更简单的构建网络模型3.5 预测训练结果 1.学习目标掌握搭建pytorch框架的方法，对气温进行预测。2. 使用数据3.上代码3.1 相关packageimport numpy as np
import pandas as pd
转载
2024-10-13 17:15:55
21阅读
目录写在前面维度一：学习由浅到深1. Python1.1 Python 编程1.2 Python 常用库2. 机器学习/深度学习（方法/算法）2.1 算法/模型2.2 Python 与 机器学习/深度学习2.3 机器学习/深度学习 与应用NLPCV3. 数学知识3.1 概率统计3.2 线性代数3.3 高等数学维度二：数据挖掘（目的/任务）1. 数据1.2 数据处理维规约度量2. 数据分析（观察）
在时间序列问题上，机器学习被广泛应用于分类和预测问题。当有预测模型来预测未知变量时，在时间充当独立变量和目标因变量的情况下，时间序列预测就出现了。预测值可以是潜在雇员的工资或银行账户持有人的信用评分。任何正式引入统计数据的数据科学都会遇到置信区间，这是某个模型确定性的衡量标准。因此，预测一段时间内某些数据的价值需要特定的技术，并且需要多年的发展。由于每种都有其特殊用途，必须注意为特定应用选择正确的
转载
2023-07-08 14:48:07
172阅读
逻辑回归概述分类技术是机器学习和数据挖掘应用中的重要组成部分。在数据科学中，大部分的问题属于分类问题。解决分类的算法也有很多种。如：KNN，使距离计算来实现分类；决策树，通过构建直观易懂的树来实现分类。这里我们要展开的是Logistic回归，这是一种很常见的用来解决二元分类问题的回归方法，它主要是通过寻找最优参数来正确地分类原始数据。基本原理逻辑回归（Logistic Regression，简称L
转载
2024-03-18 11:10:32
109阅读
最近在做一个RNN的实验，之前其实学习过RNN的一些知识，但由于长时间不用，加上很多API的更新，有些东西也记得不太清了，真的很想吐槽TF这种静态图，看个shape都费劲，现在也不想升级到2.0或者使用PyTorch，只能将就着用吧。 这个正弦预测应该算是入门基本实验了，网上很多资料都是一些小修小改，但是却很多都是错的，而错的人却还一直转载，我也是服了。建议还是去看看官方书籍或者自己调试一下吧，下
转载
2024-05-10 18:57:10
64阅读
文章目录torch.nn.init均匀分布正态分布常数分布全1分布全0分布对角分布dirac 分布xavier_uniform 分布xavier_normal 分布kaiming_uniform 分布kaiming_normal 分布正交矩阵稀疏矩阵参考 torch.nn.init均匀分布格式torch.nn.init.uniform_(tensor, a=0.0, b=1.0)作用从均匀分布中
注意：机器学习中LR是Logistic Regression（逻辑回归）而不是 Linear Regression（线性回归）的缩写。一、分类与回归的区别回归： 能够定义出一个损失函数（有度量空间），所以回归往往是“连续”的。分类：分为哪一类，没有损失函数（没有“错了多少”等度量空间），所以分类往往是“离散的”。二、阶跃函数与Sigmoid函数给出一个阶跃函数和他的图像我们看到上面这个函数模型可以
本文是记录一些在深度学习中的预处理的一些语法和函数torchvision.transforms的图像变换2D、3D中心裁剪：import random
def random_crop_2d(img, label, crop_size):
random_x_max = img.shape[0] - crop_size[0]
random_y_max = img.shape[1] -
