나는 800 개의 입력 특징과 하나의 연속적인 출력을 가진 데이터 셋 D = {X, Y}를 얻었다. 나는 두 가지 조건을 만족하는 어떤 특징 추출 방법을 찾고 (1)의 MATLAB 코드를 다운로드 할 수 있습니다 (2). 이 방법은 입력 x를 변환 된 입력 z (z는 d 벡터)에 매핑해야합니다 (d < < 800). 그러면 z_i와 y 사이의 상호 정보가
텍스트 문서의 기능 공간 모델링은 매우 쉽습니다. 예를 들어 텍스트 (교육 데이터)의 모든 단어를 기능으로 사용할 수 있습니다. 특정 단어 (예 : "개")가 (분류 된) 교육 사례 (예 : 스팸으로 분류 됨)에서 여러 번 발견되는 경우 새 데이터를 분류하기 위해이 단어를 사용할 수 있습니다. 단어가 아닐 경우 내 기능을 어떻게 모델링합니까? 내 경우에는
숫자 기능과 카테고리이지만 정수로 인코딩 된 기능이 결합 된 데이터 세트로 작업하고 있습니다. 나는 레이스 우승하고 race_number 같은 기능을 사용하는 말의 확률 모델을 만드는거야 경우는 경마, 그래서 horse_id race_date track_no race_number barrier_number won_race
1 2016-10-01 10
임의의 숲 회귀를 적용하는 방법에 대한 설명을 읽었습니다 here. 나는 기능으로 여러 가지 가능성을 함께 생각하고 from sklearn.feature_extraction.text import CountVectorizer
vectorizer = CountVectorizer(analyzer = "word",max_features = 5000)
train
큰 데이터 분석 응용 프로그램 중 하나에서 Hadoop과 함께 Spark Mllib을 사용하고 있습니다. 기능 41 개와 라벨 1 개가 있습니다. 이제는 교육을받는 동안 필자의 기능을 피쳐 엔지니어와 섞어서 일치시켜 내 시나리오에 가장 적합한 최소 기능 집합을 찾고 싶습니다. 훈련을 위해 선택하고 모델 정확도를 테스트하는 동안 사용할 기능입니다. 나는이 J
mp3 파일로 작업하는 음악 장르 분류기를 만들 계획이며, 어떤 기능이 가장 적합한 지 테스트하고보고 싶습니다. 나는 이것을 위해 MFCC (Mel Frequency Cepstral Coefficients)를 사용한 논문을 보았지만 기계 학습의 초보자로서이 방법은 복잡하다고 느꼈다. 나는 또한 mp3 파일을 스펙트로 그램으로 변환하고 분석 한 일부를 보았지
나는 기사 Distant Supervision for Relation Extraction using Ontology Class Hierarchy-Based Features에서 거리 감독의 접근 방식을 따르고있다. 예를 들어 이미 토큰 화 한 문장 : 아테네의 아크로 폴리스에 그녀의 가장 유명한 사원, 파르테논 신전은 그 제목 에서 이름을 소요하고 또한에서
PCA를 올바르게 적용하는지 여부는 확실하지 않습니다. 나는 피쳐와 n 개의 관측치 (인스턴스)를 가지고있다. 이것을 평균 정규화를 수행하고 정규화 된 행렬 B를 얻습니다. pxp 공분산 행렬 C = (1/(n-1)) B * .B의 고유 값과 고유 벡터를 계산합니다. 여기서 *는 켤레 전치 내림차순으로 정렬 된 고유 값에 해당하는 고유 벡터는 pxp 행렬
신경망에서이 y 값을 추출하려고합니다. 현재의 문제는 내가 예상 한대로 행렬을 곱하지 않는 것 같다. 나는 귀하의 검토를 위해 코드와 산출물을 포함 시켰습니다. 귀하가 제공 할 수있는 통찰력에 대해 미리 감사드립니다. def columnToRow(column):
newarray = np.array([column])
return newarr