Methods for NER 利用規(guī)則（比如正則） 投票模型 （Majority Voting） baseline 利用分類模型非時序模型 邏輯回歸 SVM時序模型 ：HM...
發(fā)簡信
IP屬地：北京
-
搭建NER（命名實體識別）分類器 -
SVM處理非線性可分 KKT 對偶問題 核函數(shù)上一篇文章講到，如果數(shù)據(jù)是線性可分的，直接使用最大邊距作為目標函數(shù)，但是如果數(shù)據(jù)是線性不可分的情況下，該目標函數(shù)是不可用的。那么如何處理線性不可分的情況呢？How to Cl...
-
線性分類器 SVM（支持向量機）回顧線性分類器 設D = {(x1,y1),(x2,y2),(x3,y3),......(xn,yn)},yi屬于{-1,1},i = 1,2,3......m@ = {w,...
-
方向?qū)?shù)和梯度的關系
先來看看高中學的導數(shù)，就是一元函數(shù)的切線稱為導數(shù) 偏導數(shù)是針對多元函數(shù)的，我們以兩個自變量為例，z=f(x,y)，從導數(shù)到偏導數(shù)，也就是從曲線來到了曲面，曲線上的一點，其切線...
-
Set Cover Problem (集合覆蓋問題)流網(wǎng)絡—最大流問題（Maximum-flow problem）image.png希望從0-7找到最大值，管道可以承載的最大值。 那么目標函數(shù)是objective：maximi...
-
Optimization （模型優(yōu)化）時間這東西真的是過的好快啊，不知不覺又過去了半個月了，現(xiàn)在已經(jīng)是五月中旬了。堅持是最好的證明。 那么我們回歸，如何優(yōu)化目標函數(shù)？其實AI問題有個等式，AI問題 = 模型+優(yōu)化...
-
Lasso回歸模型-參數(shù)求解由之前的文章可知，目標函數(shù)為了防止過擬合或者限制參數(shù)，一般會加L1正則化和L2正則化，下面來介紹關于L1正則，Lasso正則，因為Lasso是可以進行特征選擇降維的功能，L1...
-
-
機器學習中的MLE、MAP今天睡了一下懶覺，九點半才起床，昨天吃火鍋熱氣，今天要吃清淡一點了。 使學過機器學習的人，對機器學習中的MLE(極大似然估計)、MAP(最大后驗估計)以及貝葉斯估計(Baye...
-
參數(shù)搜索策略 Grid Search
在之前我們一直討論的是一個超參數(shù)的情況，但是如果是有多個超參數(shù)如何計算是最優(yōu)的超參數(shù)呢？ 比如邏輯回歸加了兩個正則（L1+L2正則項），那如何去計算這兩個正則的超參數(shù)呢？如果...
-
交叉驗證 Cross validation你悶聲的日子，后面就是你爆發(fā)的日子。 前面講過加入正則項的目標函數(shù)，那么如何求出超參數(shù)呢？如何選擇合適的超參數(shù)呢？ 一般是通過交叉驗證cross validation（CV）...
-
-
-
限制目標函數(shù)參數(shù)太大
根據(jù)上一篇文章可知，根據(jù)梯度下降法可以求出參數(shù)，但是求出的參數(shù)就是最好的模型呢？我也不知道，咱們下面看看一個問題 如果當給定的數(shù)據(jù)線性可分的時候，邏輯回歸的參數(shù)會趨于無限大嗎...
-
邏輯回歸的梯度下降法堅持才是硬道理，剩下的交給時間 由上一篇文章得知，邏輯回歸的目標函數(shù)已經(jīng)確定，現(xiàn)在是如何求出W,B的參數(shù)值。就相當于構建了模型?；仡櫼幌拢壿嫼瘮?shù)的目標函數(shù)所以我們?nèi)绻笫?..
-
邏輯回歸的目標函數(shù)（Python）前面兩篇文章求出了函數(shù)和邏輯回歸是線性回歸，那模型還需要求出目標函數(shù)的參數(shù)，才可以供以后使用。也就是說，我們?nèi)绾吻蟪鯳和b的值呢？ 求解W和b的過程其實也叫做《模型的實例化》...
-
邏輯回歸是否是線性分類器？（Python）
后天就是五一了，時間過的真的好快啊。不知不覺一個月又過去，慶幸的是我今天我還在寫著，記錄著，重要的不是要多快，而是循序漸進的投入學習中。 根據(jù)上一篇講關于邏輯回歸，得知邏輯回...
-
初始邏輯回歸（Python）在前面的垃圾郵件分類中，可知貝葉斯起到了很好的作用，但是其是離散型的，效果就很好，對于連續(xù)型的特征，貝葉斯可以用高斯貝葉斯去實現(xiàn)，就是數(shù)據(jù)特征服從正態(tài)分布。但是效果沒有離散型...