f-score是一种衡量机器学习模型性能的指标，一般定义为： 当beta大于1，更多关注recall；当beta小于1，更多关注precision。f-score是通过权衡recall和precision之间的重要性的性能指标，下面是关于beta如何权衡两者之间的重要性的解释： 参考：https://stats.stackexchange.com/questions/2...

参数：模型内部的配置变量，可以用数据估计模型参数的值。超参数：模型外部的配置，必须手动设置参数的值。简单理解就是：参数是通过模型的训练得到的，一般是指神经网络模型的权重和偏置，支持向量机中的支持向量，线性回归或逻辑回归中的系数等；超参数是人为手动设置的，一般是神经网络模型的学习率、模型的层数、每层的节点数，以及支持向量机的C和sigma超参数等。    参考：h...

以前对CNN中的感受野（receptive field）已经有了一些认识，基本上是从概念理解上得到的。本篇文章给出了receptive field的计算过程和相应的python代码，对receptive的理解和计算有较好的帮助作用。转载：https://medium.com/mlreview/a-guide-to-receptive-field-arithmetic-for-convolu...

关于迁移学习不错的博文，值得学习：1. https://blog.csdn.net/linolzhang/article/details/733582192. https://blog.csdn.net/SusanZhang1231/article/details/73249978入门迁移学习可参考一篇文章：A Survey on Transfer Learning，Sinno Jia...

机器学习中，经常会将数据划分为训练集、验证集和测试集，常见比例是8:1:1，也可根据需要进行调整。训练集：顾名思义，是对模型进行训练，一般是用来梯度下降的，得到模型的参数（不是超参数）。验证集：一般是在每个epoch完成后，用来测试当前模型的准确率。验证集跟训练集没有交集，因此这个准确率是可靠的。但是，验证集参与了一个“人工调参”的过程，根据验证集的结果可以调节迭代次数、学习率等超参数，使...

1. 交叉验证的应用1）交叉验证被用于比较在特定数据集上，不同机器学习模型的性能：假设将两种机器学习模型K Nearest Neighbours (KNN) or Support Vector Machine (SVM)应用于MNIST数据集上，为了比较两种模型的分类性能，可使用交叉验证方法，这可以帮助选择在MNIST数据集中表现较好的一种模型。2）交叉验证被用于选择合适的模型参数：...

记录一个关于SKNet的解释，SKNet的图解清晰，结合代码看，更容易理解。地址：https://www.jianshu.com/p/20552b8da40d

f-score是一种衡量机器学习模型性能的指标，一般定义为： 当beta大于1，更多关注recall；当beta小于1，更多关注precision。f-score是通过权衡recall和precision之间的重要性的性能指标，下面是关于beta如何权衡两者之间的重要性的解释： 参考：https://stats.stackexchange.com/questions/2...

一篇来着外文网站的关于分类与回归异同的解释。Difference Between Classification and Regression in Machine LearningFundamentally, classification is about predicting a label and regression is about predicting a quantity....

参考：https://towardsdatascience.com/the-5-clustering-algorithms-data-scientists-need-to-know-a36d136ef68 The 5 Clustering Algorithms Data Scientists Need to KnowClustering is a Machine Learning tech...