咖趣阁

手机浏览器扫描二维码访问

第301章 密码（第1页）

基于聚类的离散化假设我们有一个包含1000个房屋的价格数据的数据集，我们想将价格分成5个簇，以下是离散化方法：首先，随机分配5个中心点。

根据每个房屋的价格和这5个中心点的距离，将每个房屋分入距离最近的中心点对应的簇中。

重新计算每个簇的中心点，以中心点的坐标作为新的中心点。

重复步骤2和步骤3，直到中心点的移动小于某个阈值或达到最大迭代次数。

最终得到的5个簇即为我们需要的离散化结果。

自适应离散化假设我们有一个包含个商品销售量数据的数据集，我们想将销售量离散化成n个区间，以下是离散化方法：先将所有商品销售量根据大小排序。

初始时，将数据集分成n个区间，每个区间保持相等的数据数量。

计算每个区间的范围（最小值和最大值），并计算相邻区间的范围的中点，这些中点作为新的分割点。

根据新的分割点重新划分区间，如果新的区间与原来的区间相同，则算法停止。

否则，重复步骤3和步骤4。

最终得到的n个区间即为我们需要的离散化结果。

卷积核输出形状卷积神经网络中的卷积层的输出维度计算，可以通过以下公式得出：输出的高度=（输入的高度-卷积核的高度+2*padding）步长+1输出的宽度=（输入的宽度-卷积核的宽度+2*padding）步长+1输出的深度=卷积核的数量这里，padding是指在输入数据周围填充的0的行数或列数（在计算输出大小时有助于保持空间尺寸不变），步长是指卷积核移动的步数。

输出的深度直接取决于我们使用的卷积核的数量。

输入数据大小为32x32大小单通道图片，在C1卷积层使用6个大小为5x5的卷识核进行卷积，padding=0，步长为1通过6个大小为5x5的卷识核之后的输出是多大尺寸的，怎么用公式计算给定：输入的高度H=32；输入的宽度W=32；卷积核的高度KH=5；卷积核的宽度KW=5；卷积核的数量K=6；步长S=1；PaddingP=0根据上述公式，我们可以计算出卷积后的输出尺寸：输出的高度=（H-KH+2P）S+1=（32-5+2*0）1+1=28输出的宽度=（W-KW+2P）S+1=（32-5+2*0）1+1=28输出的深度=K=6所以，通过6个大小为5x5的卷积核后的输出尺寸为28x28x6。

留出法（HoldoutMethod）：基本思想：将原始数据集划分为训练集和测试集两部分，其中训练集用于模型训练，而测试集则用于评估模型的性能。

实施步骤：根据比例或固定的样本数量，随机选择一部分数据作为训练集，剩余部分用作测试集。

优点：简单快速；适用于大规模数据集。

缺点：可能由于训练集和测试集的不同导致结果的方差较高；对于小样本数据集，留出的测试集可能不够代表性。

2交叉验证法（Cross-Validation）：基本思想：将原始数据集划分为K个大小相等的子集（折），其中K-1个子集用于训练模型，剩下的1个子集用于测试模型，这个过程轮流进行K次，最后将K次实验的结果综合得到最终的评估结果。

实施步骤：将数据集随机划分为K个子集，依次选择每个子集作为验证集，其余子集作为训练集，训练模型并评估性能。

重复这个过程K次，取K次实验的平均值作为模型的性能指标。

优点：更充分利用了数据；可以减小因样本划分不同而引起的方差。

缺点：增加了计算开销；在某些情况下，对于特定划分方式可能导致估计偏差。

3自助采样法（Bootstrapping）：基本思想：使用自助法从原始数据集中有放回地进行有偏复制采样，得到一个与原始数据集大小相等的采样集，再利用采样集进行模型训练和测试。

实施步骤：从原始数据集中有放回地抽取样本，形成一个新的采样集，然后使用采样集进行模型训练和测试。