卯卯 | 炼就一手绝世刀法！
日出东海落西山，愁也一天，喜也一天。遇事不钻牛角尖，人也舒坦，心也舒坦！
2019-01-26 10:32:43
python版本切换
参考链接：https://jingyan.baidu.com/album/22a299b5e6e4909e18376a4b.html?picindex=1
作者:yangli | 分类:未分类 | 浏览:911 | 评论:0
2019-01-21 22:03:46
N-gram语言模型（基于词频统计）和word2vec（基于上下文信息）训练出来的词向量模型有什么优缺点？？？
为什么要用神经网络来训练词向量，而不是用N-gram：神经网络训练出来的模型：1，能发现近似的含义的词。2，求解出来空间是符合我们真实逻辑的。
作者:yangli | 分类:自然语言处理 | 浏览:903 | 评论:0
2019-01-21 21:18:05
gensim训练word2vec并使用PCA实现二维可视化
结果：代码：# -*- coding: utf-8 -*-from gensim.models import Word2Vecfrom sklearn.decomposition import PCAfrom matplotlib import pyplot# 训练的语料sentences = [['this', 'is', 'the', 'first', 'sentence', 'for',
作者:yangli | 分类:自然语言处理 | 浏览:1310 | 评论:0
2019-01-21 11:23:29
自然语言模型的评估——准确率，召回率，综合评价指标F值
1，准确率是相对于机器的标准效率来说，机器标准正确的和错误的比：2，召回率是相对于监督的数据而言，原始数据正确的被标注的和没有正确被标注的；3，F值是综合评价指标：2×准确率×召回率/(准确率+召回率)
作者:yangli | 分类:自然语言处理 | 浏览:970 | 评论:0
2019-01-20 18:47:43
在训练word2vec的模型之前要做一个分词——分词后的结果保存——执行脚本程序进行训练
分词：分词文件的内容
作者:yangli | 分类:数据预处理 | 浏览:1046 | 评论:0
2019-01-19 19:10:08
Sqlites安装
下载地址：https://www.sqlite.org/download.html1.下载 sqlite-dll-win32-x86-3140100
2.下载 sqlite-tools-win32-x86-3140100
安装：
先在C盘建一个文件夹 sqlite，
1.把 sqlite-dll-win32-x86-3140100 中解压出来的两个文件（sqlite3.def 和 sqlite3.dll）复制到刚才新建的目录（C:sqlite）中
2.把 sqlite-too
作者:yangli | 分类:MySQL | 浏览:1047 | 评论:0
2019-01-19 09:11:11
降维算法-主成分分析PCA（手段：基变换。找新的基：求解协方差矩阵的特征向量的过程。特征值越大：在某个特征方向上方差越大）-目标：线性相关的特征进行浓缩，投影到新的坐标系（基），特征间线性无关
从空间上理解：降维的目的，摆脱一些线性有关特征，减少特征的个数，方便后续处理建模。基变换恰好可以完成这样的工作。那怎么样去找这个基呢？协方差矩阵，包含了方差信息和协方差信息。协方差取值范围在【-1，1】之间，1代表两个或以上特征变化趋势相同，-1代表相反，0则代表这些特征线性无关。基的特征向量相乘也是为0，线性无关。特征值越大，相当于在某一个特征向量上步长越大，即该特征向量上，方差越大，数据在该特征上分的越开，这样就好进行分类。数学基础：恰好在线性代数中有协方差矩阵，带了带上了方差和斜方差这两个
作者:yangli | 分类:机器学习算法 | 浏览:2961 | 评论:0
2019-01-19 09:06:05
降维算法-线性判别分析LDA-目标：投影后，类间距离越大越好，类内密度越大越好。用的相对较少，因为是有监督的。
目标：投影后，类间距离越大越好，类内密度越大越好。通过以上目标得到目标函数：
作者:yangli | 分类:机器学习算法 | 浏览:1046 | 评论:0
- 控制面板
- 网站分类
- 搜索
- 文章归档
-
- 2023年4月 (1)
- 2022年12月 (6)
- 2022年11月 (2)
- 2022年10月 (4)
- 2022年9月 (1)
- 2022年8月 (1)
- 2022年7月 (2)
- 2022年4月 (1)
- 2022年3月 (4)
- 2021年5月 (1)
- 2021年3月 (1)
- 2020年10月 (1)
- 2020年9月 (11)
- 2020年8月 (1)
- 2020年7月 (2)
- 2020年5月 (4)
- 2020年4月 (1)
- 2020年2月 (1)
- 2020年1月 (1)
- 2019年11月 (2)
- 2019年10月 (3)
- 2019年9月 (5)
- 2019年8月 (19)
- 2019年7月 (6)
- 2019年6月 (8)
- 2019年5月 (10)
- 2019年4月 (16)
- 2019年3月 (37)
- 2019年2月 (24)
- 2019年1月 (11)
- 2018年12月 (3)
- 2018年11月 (3)
- 2018年10月 (7)
- 2018年9月 (8)
- 2018年8月 (41)
- 2018年7月 (29)
- 2018年6月 (14)
- 2018年5月 (16)
