目录Name Finder模型训练命名识别Name Finder命名查找器可以检测文本中的命名实体和数字。为了能够检测到实体，命名查找器需要一个模型。模型依赖于它被训练的语言和实体类型。OpenNLP项目提供了许多预先培训过的名字查找模型，这些模型在各种免费的语料库上进行了培训。它们可以在我们的模型下载页面下载。要在原始文本中查找名称，必须将文本分成标记和句子。默认情况下，输入的训练数据中每行一个

朴素贝叶斯分类贝叶斯原理的由来：贝叶斯为了解决一个叫“逆向概率”问题写了一篇文章，尝试解答在缺乏太多可靠证据的情况下，怎样做出更符合数学逻辑的推测。逆向概率：逆向概率是相对正向概率而言。正向概率的问题很容易理解，比如我们已经知道袋子里面有 N 个球，不是黑球就是白球，其中 M 个是黑球，那么把手伸进去摸一个球，就能知道摸出黑球的概率是多少。这是在了解了事情的全貌再做判断。在现实生活中，我们很难知道

项目主要介绍几个开源项目：QASystemOnMedicalKG：医疗知识图谱问答https://github.com/liuhuanyong/QASystemOnMedicalKGAgriculture_KnowledgeGraph：农业知识图谱Financial-Knowledge-Graphs：小型金融知识图谱stock-knowledge-graph：小型的证券知识图谱https://gi

使用flask实现restful接口实例

尝试减小批次大小（如从 256 降到 32），观察模型是否收敛更快。：统计像素/特征值的分布（如均值、方差），检查是否存在异常值或缺失值。训练损失不下降：可能特征与标签无关，或数据预处理错误（如未归一化）。：增加层数或参数量，若训练集表现提升，则原模型可能过于简单。若简单模型也表现差，则数据可能存在问题（如特征与标签无关）。若验证集表现提升，则原问题可能因欠正则化导致过拟合。：关闭数据增强（如随机

1.梯度下降的定义梯度下降是迭代法的一种,可以用于求解最小二乘问题(线性和非线性都可以)。在求解无约束优化问题，如机器学习算法的模型参数，梯度下降（Gradient Descent）是最常采用的方法之一，另一种常用的方法是最小二乘法。在求解损失函数的最小值时，可以通过梯度下降法来一步步的迭代求解，得到最小化的损失函数和模型参数值。在机器学习中，基于基本的梯度下降法发展了两种梯度下降方法，分别为随机

在BERT模型中，计算中文文本的Token数需要根据具体的中文BERT分词器（Tokenizer）来处理

1.梯度下降的定义梯度下降是迭代法的一种,可以用于求解最小二乘问题(线性和非线性都可以)。在求解无约束优化问题，如机器学习算法的模型参数，梯度下降（Gradient Descent）是最常采用的方法之一，另一种常用的方法是最小二乘法。在求解损失函数的最小值时，可以通过梯度下降法来一步步的迭代求解，得到最小化的损失函数和模型参数值。在机器学习中，基于基本的梯度下降法发展了两种梯度下降方法，分别为随机

目录Apriori 算法FP-Growth算法算法原理步骤1 统计各个商品被购买的频次步骤2 构建FP树步骤3 频繁项的挖掘阅读本文需要了解关联挖掘的基本知识，了解关联挖掘的基本原理，参考《[机器学习]关联挖掘介绍》。Apriori 算法Apriori算法就是根据有关频繁项集特性的先验知识而命名的。它使用一种称作逐层搜索的迭代方法，k-项集用于探索（k+1）-项集。首先，找出频繁1-项集的集合．记

目录混淆矩阵正确率精确率召回率灵敏度伪阳性率特异度P-R曲线：F1-值ROC曲线AUC面积均方误差均方根误差平均绝对误差混淆矩阵实际值\预测值预测值PositiveNegative实际值PositiveTPFNNegativeFP