給定特徵集合{a1,a2,…,ad}，可將每個特徵看做一個候選子集，對這d個候選單特徵子集進行評價，選出一個最優的，然後加入一個特徵，構成包含兩個特徵的候選子集…假定在k+1輪時，最後的候選（k+1）個特徵子集

用手機攝影成了普通人的日常，可是和專業攝影器材相比，手機經常感覺“力不從心”，大視野、廣角、遠距離等等都難以hold住。而一部智慧手機跟隨“天智一號”衛星升空，卻可以在太空裡給地球高清實拍。 “天智一號衛星

在上篇文章裡，我們主要討論如何使用SVM分類器來抓取出表現最好的技術指標。而我們提到的一個關鍵點在於我們使用了極端隨機樹來選擇技術指標中的一部分來生成一組模型進行訓練。在本文中，我們重點來介

1. 引言 個人以為，機器學習是朝著更高的易用性、更低的技術門檻、更敏捷的開發成本的方向去發展，且Auto-ML或者Auto-DL的發展無疑是最好的證明。因此花費一些時間學習瞭解了Auto-ML領域的一些知

在《 站在巨人的肩膀上：遷移學習 》一文中，我們談到了一種遷移學習方法：將預訓練的卷積神經網路作為特徵提取器，然後使用一個標準的機器學習分類模型（比如Logistic迴歸），以所提取的特徵進行訓練，得到分類器

請注意: 本文是翻譯的一份學習資料， 中文版地址： https://dark417.github.io/MachineLearning/sv_regularization_model_selection_

為了讓各位小哥哥和小姐姐全面地瞭解文字檢測，小女子獻上了本人的葵花寶典．由於知乎對文章字數有限制，本篇文章主要是簡單地介紹各大文字檢測的方法．本文中的部分方法，知乎專欄中已經有詳細的文章解讀；剩餘的部

這是一篇筆記，課程來自Coursera上的 How to Win a Data Science Competition: Learn from Top Kagglers 本篇文章講解在資料科學競賽中

一.資料預處理 資料預處理的方式較多，針對不同型別的資料，預處理的方式和內容也不盡相同，這裡我們簡單介紹幾種較為常用的方式： 1: 歸一化 歸一化是對資料集進行區間縮放，縮放到[0,1]的區間內，把

在上篇《移動端圖片相似度演算法選型》中，我們測試了感知雜湊、卷積神經網路、以及基於區域性不變特徵三種計算圖片相似度方式。發現基於區域性不變特徵做相似度計算準確度優於傳統感知雜湊演算法，對旋轉不變性的支

特徵選擇是實用機器學習的重要一步，一般資料集都帶有太多的特徵用於模型構建，如何找出有用特徵是值得關注的內容。 使用caret包,使用遞迴特徵消除法，rfe引數:x，預測變數的矩陣或資料框,y，輸出結果向量（

在建立模型的時候，最終是希望模型有較好的預測能力，但是在另一方面，也希望模型不要太複雜，以至於能有較好的解釋性和適用性。 1、定義 定義：在機器學習或者統計學中，又稱為 變數選擇 、 屬性選擇 或

想象一下，假如回到中學時代，你是如何解線性方程組的？我想你用的是高斯消元法。對於一個有3個變數x、y、z的線性方程組，你會一步一步地消去其中一個方程中的兩個變數，從而解出剩下的那個變數，再返回去用相同的方法解出其餘兩

工程中常常需要尋找一些特定集合內的 $\boldsymbol x$ 值，使得二次型 $Q(\boldsymbol x)$ 取得最大值或最小值。具有代表性的是，這類問題可化為 $\boldsymbol x$ 在一

一個對稱 矩陣是一個滿足 $A^\mathsf{T} = A$ 的矩陣 $A$，這種矩陣是方陣，其主對角線元素是任意的，但其他元素在主對角線的兩邊成對出現。 定理 1如果 $A$ 是對稱矩陣