Skip to content
体验新版
项目
组织
正在加载...
登录
切换导航
打开侧边栏
D_ACMER
apachecn-dl-zh
提交
48313fea
A
apachecn-dl-zh
项目概览
D_ACMER
/
apachecn-dl-zh
与 Fork 源项目一致
Fork自
OpenDocCN / apachecn-dl-zh
通知
1
Star
0
Fork
0
代码
文件
提交
分支
Tags
贡献者
分支图
Diff
Issue
0
列表
看板
标记
里程碑
合并请求
0
Wiki
0
Wiki
分析
仓库
DevOps
项目成员
Pages
A
apachecn-dl-zh
项目概览
项目概览
详情
发布
仓库
仓库
文件
提交
分支
标签
贡献者
分支图
比较
Issue
0
Issue
0
列表
看板
标记
里程碑
合并请求
0
合并请求
0
Pages
分析
分析
仓库分析
DevOps
Wiki
0
Wiki
成员
成员
收起侧边栏
关闭侧边栏
动态
分支图
创建新Issue
提交
Issue看板
体验新版 GitCode,发现更多精彩内容 >>
提交
48313fea
编写于
12月 12, 2020
作者:
W
wizardforcel
浏览文件
操作
浏览文件
下载
电子邮件补丁
差异文件
2020-12-12 11:26:43
上级
d8a82841
变更
4
展开全部
隐藏空白更改
内联
并排
Showing
4 changed file
with
35 addition
and
35 deletion
+35
-35
new/handson-unsup-learn-py/02.md
new/handson-unsup-learn-py/02.md
+1
-1
new/handson-unsup-learn-py/04.md
new/handson-unsup-learn-py/04.md
+31
-31
new/handson-unsup-learn-py/06.md
new/handson-unsup-learn-py/06.md
+2
-2
new/intel-mobi-proj-tf/05.md
new/intel-mobi-proj-tf/05.md
+1
-1
未找到文件。
new/handson-unsup-learn-py/02.md
浏览文件 @
48313fea
...
...
@@ -484,7 +484,7 @@ print(sdff[['perimeter_mean', 'area_mean', 'smoothness_mean',
![](
img/b8423040-7648-4750-b1cf-f050766763e9.png
)
很容易理解,当
`H(Y[pred] | Y[true]) → 0`
*
时,
`Y[true]`
减少了预测的不确定性,因此,
`c → 1`
。 这等同于说所有具有相同真实标签的样本都分配给同一群集。 相反,当
`H(Y[pred] | Y[true]) → H(Y[pred])`
,这意味着真实情况没有提供任何信息,可以减少预测的不确定性,
`c → 0`
。
很容易理解,当
`H(Y[pred] | Y[true]) → 0`
时,
`Y[true]`
减少了预测的不确定性,因此,
`c → 1`
。 这等同于说所有具有相同真实标签的样本都分配给同一群集。 相反,当
`H(Y[pred] | Y[true]) → H(Y[pred])`
,这意味着真实情况没有提供任何信息,可以减少预测的不确定性,
`c → 0`
。
当然,良好的聚类的特征是
`c → 1`
。 对于乳腺癌威斯康星州数据集,使用 scikit-learn 函数
`completenss_score()`
(也适用于文本标签)和
`K = 2`
计算
**完整性评分**
( 与地面真相相关的唯一配置)如下:
...
...
new/handson-unsup-learn-py/04.md
浏览文件 @
48313fea
此差异已折叠。
点击以展开。
new/handson-unsup-learn-py/06.md
浏览文件 @
48313fea
...
...
@@ -666,7 +666,7 @@ p = 0.00000 - High risk
线性单类 SVM 方案:训练集与原点分开,具有最大的边距
训练模型以找出使距原点的距离最大的超平面参数。 超平面一侧的所有样本均应为离群值,输出标签为
**+1**
,而其余所有样本均被视为离群值,并且输出标签为
*`-1`*
。 此标准似乎有效,但仅适用于线性可分离的数据集。 标准 SVM 通过将数据集(通过函数
`$1`
)投影到特征空间 D 上来解决此问题,在该特征空间 D 中,它获得了这样的属性:
训练模型以找出使距原点的距离最大的超平面参数。 超平面一侧的所有样本均应为离群值,输出标签为
**+1**
,而其余所有样本均被视为离群值,并且输出标签为
`-1`
。 此标准似乎有效,但仅适用于线性可分离的数据集。 标准 SVM 通过将数据集(通过函数
`$1`
)投影到特征空间 D 上来解决此问题,在该特征空间 D 中,它获得了这样的属性:
![](
img/7fde64b8-0a5e-4248-b156-7ac3ec831820.png
)
...
...
@@ -698,7 +698,7 @@ p = 0.00000 - High risk
支持向量机中的决策过程
权向量正交于分离超平面。 样本
`x`
[
`i`
] 被确定为一个惯常值,因为点积为正且大于阈值
*ρ*
。 相反,
*`x[j]`*
被标记为异常值,因为决策函数的符号为负。 术语
*ξ [i] (ξ [i] ≥0)*
被称为松弛变量,它们的引入是为了使异常值和 内线 实际上,如果这些变量都等于零(并且为简单起见,
*ρ= 1*
),则优化问题的条件变为:
权向量正交于分离超平面。 样本
`x`
[
`i`
] 被确定为一个惯常值,因为点积为正且大于阈值
*ρ*
。 相反,
`x[j]`
被标记为异常值,因为决策函数的符号为负。 术语
*ξ [i] (ξ [i] ≥0)*
被称为松弛变量,它们的引入是为了使异常值和 内线 实际上,如果这些变量都等于零(并且为简单起见,
*ρ= 1*
),则优化问题的条件变为:
![](
img/5a35ab70-84af-4bd0-aec6-dc88a81ec8ad.png
)
...
...
new/intel-mobi-proj-tf/05.md
浏览文件 @
48313fea
...
...
@@ -635,7 +635,7 @@ $ grep 'REGISTER.*"DecodeWav"' tensorflow/core/kernels/*.cc
tensorflow
/
core
/
kernels
/
decode_wav_op
.
cc
:
REGISTER_KERNEL_BUILDER
(
Name
(
"DecodeWav"
).
Device
(
DEVICE_CPU
),
DecodeWavOp
);
```
在 TensorFlow 1.4 的
`tf_op_files.txt`
文件中,已经有一行文本
`tensorflow/core/kernels/decode_wav_op.cc`
,但可以肯定的是
`tensorflow/core/ops/audio_ops.cc`
丢失了。 我们需要做的就是在
`tf_op_files.txt`
文件中的任意位置添加一行
`tensorflow/core/ops/audio_ops.cc`
,并像在第 3 章,“检测对象及其位置”中一样运行
`tensorflow/contrib/makefile/build_all_ios.sh`
*
,以重建 TensorFlow iOS 库。 然后再次运行 iOS 应用,并继续轻按启动按钮,然后说出语音命令以识别或误解,直到您无聊为止。
在 TensorFlow 1.4 的
`tf_op_files.txt`
文件中,已经有一行文本
`tensorflow/core/kernels/decode_wav_op.cc`
,但可以肯定的是
`tensorflow/core/ops/audio_ops.cc`
丢失了。 我们需要做的就是在
`tf_op_files.txt`
文件中的任意位置添加一行
`tensorflow/core/ops/audio_ops.cc`
,并像在第 3 章,“检测对象及其位置”中一样运行
`tensorflow/contrib/makefile/build_all_ios.sh`
,以重建 TensorFlow iOS 库。 然后再次运行 iOS 应用,并继续轻按启动按钮,然后说出语音命令以识别或误解,直到您无聊为止。
本章将重点介绍如何解决
`Not found: Op type not registered`
错误的过程,因为将来在其他 TensorFlow 模型上工作时,可以节省大量时间。
...
...
编辑
预览
Markdown
is supported
0%
请重试
或
添加新附件
.
添加附件
取消
You are about to add
0
people
to the discussion. Proceed with caution.
先完成此消息的编辑!
取消
想要评论请
注册
或
登录