chiblog

PRML第十三章读书笔记——Sequential Data 状态空间模型、自回归模型/从左到右HMM/前向后向BW算法/和积算法/缩放因子/维特比算法、线性动态系统/卡尔曼滤波-平滑/粒子滤波-CSDN博客PRML第十四章读书笔记——Combining Models 贝叶斯模型平均、委员会bagging、提升方法/AdaBoost、决策树、条件混合模型/混合线性回归/混合逻辑回归/【层次】混合专家模型_prml14-CSDN博客 实现 K-Means 和 GMM（高斯混合模型）两个模型assignment-3 · 复旦大学-邱锡鹏/prml-21春 - 码云 - 开源中国 (gitee.com) 前馈神经网络assignment-2 · 复旦大学-邱锡鹏/prml-21春 - 码云 - 开源中国 (gitee.com) 混合模型和EM参考： PRML读书会第九章 Mixture Models and EM – 我爱自然语言处理 (52nlp.cn)PR ...

二十大 论党的二十大理论创新和新的重大决策部署全文阅读–XML全文阅读–中国知网 (cnki.net)党的自我革命制度规范体系的理论基础、价值意蕴与完善路径 全文阅读–XML全文阅读–中国知网 (cnki.net)

ROC曲线（Receiver Operating Characteristic Curve）是用于评估二元分类器性能的图形工具。在ROC曲线上，横轴表示False Positive Rate（FPR），纵轴表示True Positive Rate（TPR），又称为灵敏度或召回率。 True Positive Rate (TPR): 这是指在实际为正例的样本中，被正确地预测为正例的比例。 False Positive Rate (FPR): 这是指在实际为负例的样本中，被错误地预测为正例的比例。 True Positive Rate (TPR): 这是指，当有病的时候，你的模型成功地预测出了有病的概率。高TPR表示你的模型在真正有病的情况下表现良好。 False Positive Rate (FPR): 这是指，当实际上是健康的时候，你的模型错误地预测为有病的概率。高FPR表示你的模型在实际上是健康的情况下出现了错误。 现在，ROC曲线显示了在不同的阈值下，你可以通过调整模型的预测概率来改变TPR和FPR。AUC（Area Under the ROC Curve）是这条曲线下的面积。 ...

新的一岁；和世界续约；和自己续约；和家人朋友们续约；和健康快乐自由智慧美丽续约！

深度学习 (fast.ai) 希望所有计算机同学都知道10个宝藏油管博主 (qq.com)

Active Learning（主动学习）是一种机器学习的方法，它涉及到模型根据当前的预测和不确定性主动地选择一些样本进行标注，以便在训练中获得更好的性能。在传统的监督学习中，模型通常会被提供一个已经标记好的数据集进行训练。而在主动学习中，模型可以自己选择它认为对提高性能最有帮助的样本进行标记，从而减少标记样本的数量。主动学习的基本思想是通过选择最有信息价值的样本，使模型能够更快地收敛和取得更好的性能。这对于那些标记数据较为昂贵或难以获取的任务特别有用。主动学习的一般步骤包括： 初始模型： 使用一个初始模型对数据进行预测。 不确定性估计： 评估模型对于每个未标记样本的不确定性，通常是通过模型输出的概率或置信度来衡量。 样本选择： 选择模型认为最有帮助的未标记样本，可能是那些不确定性高的样本或者对于模型来说比较难处理的样本。 标记样本： 将选择的样本进行标记，并将其添加到训练集中。 更新模型： 使用新标记的样本更新模型，然后重复这个过程。