作者查詢 / ching0629

總覽項目：發文 | 留言 | 暱稱

作者 ching0629 在 PTT [ DataScience ] 看板的留言(推文), 共31則

限定看板：DataScience

看板排序：

首頁

尾頁

[問題] kernal trick on svm

[ DataScience ]14 留言, 推噓總分: +3

作者: empireisme - 發表於 2020/03/30 22:04(5年前)

3^F推ching0629: 對於任意kernel function而言，都可以找到一個對應的特03/30 22:14

4^F→ching0629: 徵工程方式，如對一個資料僅含x1和x2兩個變項的資料，03/30 22:14

5^F→ching0629: 進行二次多項式kernel function轉換，其對應到的特徵工03/30 22:14

6^F→ching0629: 程方式是增加x1x2、x2x1、x1平方、x2平方等四項，所以03/30 22:14

7^F→ching0629: 在有些情形下的確能找到一個對應的線性svm對應到原來03/30 22:14

8^F→ching0629: 具有kernel function的svm。但為什麼說有些情況而已呢03/30 22:14

9^F→ching0629: ，這是因為有些kernel function對應到的特徵工程是無03/30 22:14

10^F→ching0629: 限多維的空間，這時候你當然寫不出線性svm的方程式，預03/30 22:14

11^F→ching0629: 測新資料時就只能直接使用拉格朗日乘算子與支持向量進03/30 22:14

12^F→ching0629: 行運算03/30 22:14

13^F推ching0629: 是7個weight，還要加上原來的x1和x2，但其中x1x2與x2x103/31 13:13

14^F→ching0629: 兩個權重一樣03/31 13:13

[問題] 手刻經典算法的教學

[ DataScience ]16 留言, 推噓總分: +8

作者: ntpuisbest - 發表於 2020/03/25 01:24(5年前)

6^F推ching0629: R語言的話參考一下國防醫學院的課程？03/27 14:12

7^F→ching0629: https://linchin.ndmctsgh.edu.tw/course.html03/27 14:12

9^F推ching0629: 課程講義裡面有呀03/27 17:18

[問題]全端project如何運用ML知識？

[ DataScience ]21 留言, 推噓總分: +9

作者: sssh5566 - 發表於 2018/09/16 15:51(7年前)

4^F推ching0629: ML就是後端但能來解決你rule寫不出來（或不完整）的09/16 19:13

5^F→ching0629: 任務09/16 19:13

8^F推ching0629: 我覺得你的想法有點太廣泛，而從你的描述裏面發現你應09/17 12:48

9^F→ching0629: 該不太適合專門做ML，我建議你往整合方向走，大部分專09/17 12:48

10^F→ching0629: 門做ML的人不會把模型接到各種裝置上，你如果能整合模09/17 12:48

11^F→ching0629: 型到應用應該蠻不錯的09/17 12:48

[問題] Keras能否用cnn做回歸預測

[ DataScience ]12 留言, 推噓總分: +2

作者: kula0000 - 發表於 2018/05/11 18:40(7年前)

6^F推ching0629: 其實我覺得連續預測滿坑的，使用linear output配上rmse05/13 00:46

7^F→ching0629: loss的深度網路常常會在訓練過程中預測出離譜的極值，05/13 00:46

8^F→ching0629: 導致梯度不穩定，簡單的使用類似relu的限制器又很容易05/13 00:46

9^F→ching0629: 截斷梯度，用sigmoid之類的軟限制又很容易梯度消失，05/13 00:46

10^F→ching0629: 所以真的很難練到很準。目前主流做法是把這類問題轉成05/13 00:46

11^F→ching0629: 多分類問題，這樣能透過比較優雅的方式限制全距，我建05/13 00:46

12^F→ching0629: 議可以參考一下別人怎麼透過臉部識別預測年齡的。05/13 00:46

Re: [問題] 全捲積網路(FCN) 在YOLOV2上訓練的問題

[ DataScience ]12 留言, 推噓總分: +4

作者: ching0629 - 發表於 2018/04/17 13:06(7年前)

1^F→ching0629: 再補充一個點好了，物件檢測的loss function是一個同04/17 13:09

2^F→ching0629: 時考慮原始方框與預測方框重疊面積，以及分類正確度的04/17 13:09

3^F→ching0629: 一個損失函數，詳細的自己去找paper看吧，式子有點長04/17 13:10

首頁

尾頁