概率潜在语义分析 Probabilistic Latent Semantic Analysis1.概率潜在语义分析是利用概率生成模型对文本集合进行话题分析的方法。概率潜在语义分析受潜在语义分析的启发提出两者可以通过矩阵分解关联起来。给定一个文本集合，通过概率潜在语义分析，可以得到各个文本生成话题的条件概率分布，以及各个话题生成单词的条件概率分布。概率潜在语义分析的模型有生成模型，以及等价的共现模型

期末展示实验报告——基于三种神经网络进行情感分析以及效果比较一、选题之前浏览到一篇2014年的论文，Yoon Kim的《Convolutional Neural Networks for Sentence Classification》，其中提到了两层channel的卷积神经网络模型进行句子分类，这种Text-CNN类型的卷积神经网络思路简单，但是分类效果的确非常好，另外这篇论文也阐述了几种不同的

问题线性回归损失函数为什么要用平方形式？问题背景这是在阿里一面中遇到的问题，当时我的回答是损失函数是是模型预测值与真实值之间的一种距离度量，我们可以计算出每个样本的预测值与真实值之间的距离，全部加起来就得到了所谓的损失函数。而距离的度量可以采用预测值与真实值之间差的绝对值，或者两者之差的平方，当然更高次的也行，只要你喜欢。正如问题所述，为什么我们一般使用的是两者之差的平方而不是两者只差的绝对值呢？

问题判别式模型和生成式模型是机器学习中很重要的两个概念，也是笔试面试中很可能出现的问题，这里整理一遍是为了让自己更好地理解和区分这两者之间的不同。概念假设可观测到的变量集合为X，其他变量集合为Z，需要预测的变量集合为Y，则：判别式模型：是指在给定X情况下，直接对**条件概率分布P(Y,Z|X)进行建模来预测 Y。P(Y∣X)=∑ZP(Y,Z∣X)P(Y|X)=\sum_{Z}P(Y,Z|X)P(Y

可信用卡机器学习期末实验报告|一、实验背景​人工智能（AI）为改变我们分配信贷和处理风险的方式提供了一个机会，并创造了更公平、更包容的系统。人工智能可以避免传统的信用报告和评分系统，这有助于抛弃现有的偏见，使它成为一个难得的，改变现状的机会。然而，人工智能很容易朝另一个方向发展，加剧现有的偏见，创造出一个循环，加强有偏见的信贷分配，同时使贷款歧视更难找到。我们将通过开源模型Fairlearn来释放

import matplotlib.pyplot as pltfrom sklearn.model_selection import train_test_splitfrom sklearn.datasets import fetch_lfw_peoplefrom sklearn.model_selectionimport GridSearchCVfrom sklearn.metrics impo

问题机器学习中常用的损失函数总结前言我们经常听到损失函数、代价函数和目标函数这三种说法，这三种说法有什么联系和区别呢？这里明确下：损失函数 Loss Function 通常是针对单个训练样本而言的，给定一个模型输出 y^\hat{y}y^​ 和一个真实值 yyy ，损失函数输出一个实值损失 L=f(yi,yi^)L = f(y_i, \hat{y_i})L=f(yi​,yi​^​)代价函数 Cos

问题判别式模型和生成式模型是机器学习中很重要的两个概念，也是笔试面试中很可能出现的问题，这里整理一遍是为了让自己更好地理解和区分这两者之间的不同。概念假设可观测到的变量集合为X，其他变量集合为Z，需要预测的变量集合为Y，则：判别式模型：是指在给定X情况下，直接对**条件概率分布P(Y,Z|X)进行建模来预测 Y。P(Y∣X)=∑ZP(Y,Z∣X)P(Y|X)=\sum_{Z}P(Y,Z|X)P(Y

文章目录决策树基尼系数CART 算法预剪枝与后减枝回归树决策树依据特征划分的树状图。决策树包括特征、类别和层数。分别对应非叶子节点、叶子节点和层数。不同的特征选择（包括顺序和数量）会得到不同的决策树。决策树的层数直接对应了模型的复杂度。每个节点尽量只包含一种类别，这种决策树也称为最纯的决策树。只有一层的决策树，也称为决策树桩（Decision Stump）。基尼系数基尼系数（Gini index）

信用评分的机器学习银行在市场经济中扮演着至关重要的角色。他们决定谁可以得到资金，以什么条件，可以作出或不作出投资决定。为了使市场和社会发挥作用，个人和公司需要获得信贷。信用评分算法是银行用来判断是否应该发放贷款的方法，它对违约概率进行猜测。这项竞赛要求参赛者通过预测某人在未来两年内遭遇财务困境的可能性，提高信用评分的水平数据集属性信息：变量名称描述类型严重违约2年逾期90天或更严重的人是/否撤销未