訓(xùn)練集(trainingset)和測試集Truepositives(TP):被正確地劃分為正例的個數(shù)，即實際為正例且被分類器劃分Falsenegatives(FN):被錯分類準確率Accuracy=(TP+TN)調(diào)和平均。如果二者（即準確率和召回率）同等A.(縱軸)敏感性高=漏診率低，而(橫軸)特AUC值提供了分類器的一個整體數(shù)值。通常BOW，即詞袋模型。即為了計算文檔之間的相似度，假設(shè)可以忽略文檔內(nèi)的單詞順序和語為了在python程序中進行英文自然語言的處理，如詞語切分（Tokenization）詞干提取其Uni-gram為“I”,“l(fā)ike”,“to”,“eat”,“apple”其Bi-gram為“Ilike”,“l(fā)ike其Tri-gram為“Iliketo”,“l(fā)ike關(guān)于特征降維方法有線性判別分析（LDA）和主成分分析法（PCA錯誤的是x=np.random.random(5)y=np.random.random(5)sim=np.dot(x,y)/(np.linalg.norm(x)*np.linalg.nox=np.random.random(5)y=np.random.random(5)數(shù)據(jù)集進行特征降維，以便于數(shù)據(jù)的二維平面可視化。則其中空格處應(yīng)該填充的1234狹義線性模型通常是指自變量與因變量之間呈按比例、成直線的關(guān)系。一階導(dǎo)數(shù)不為廣義線性是線性模型的擴展，主要通過聯(lián)結(jié)函數(shù)，使預(yù)測值落在響應(yīng)變量的變梯度下降是利用一階的梯度信息找到代價函數(shù)局部最優(yōu)解的一通常會先初始化一組參數(shù)值,然后在這個值之上，用梯度下降法去求出下一組的值。由于是梯度下降的，所以損失函數(shù)的值在下降。當(dāng)?shù)揭欢ǔ潭?，此時的參數(shù)取值即為Sigmoid函數(shù)有個很漂亮的“S”形,特點是一開始變該方法從一個初始的猜測值以求得函數(shù)的局部最優(yōu)值。該方法需要迭scikit-learn只能用onscikit-learn只能用one-vs.-t信息熵由Shannon提出，信息熵的概念可以用信息熵是通信領(lǐng)域的概念，和機器學(xué)習(xí)以及深度學(xué)習(xí)無關(guān)相對熵又稱為KL散度（Kullback-Lei相對熵又稱為信息散度（informationdiverg相對熵又稱為信息增益（informationg關(guān)于感知機（perceptron下列說法錯誤的是感知機是二分類的線性分類模型，屬于有監(jiān)感知機是二分類的線性分類模型，屬于無監(jiān)q=np.array([0.6,0.2程序最后兩行的的目的是計算相對熵，其是交叉熵與信息熵的q=np.array([0.6,0.2result=0.5*np.sum(p*np.log(p/M))+0.5*npq=np.array([0.6,0.2loss=-np.sum(label*np.log(so對于給定的下面的一段python程一對多的序列輸出。如輸入一張圖片，生成輸問題。并被AlexGraves進行了改良LSTM在隱藏層上增加了一個長期狀態(tài)c(cellstate)，用于保存則雙向網(wǎng)絡(luò)假設(shè)當(dāng)前步的輸出只與前面的序列有關(guān)，而與后面的序列雙向網(wǎng)絡(luò)假設(shè)當(dāng)前步的輸出與前面的序列無關(guān)，而與后面的序列雙向網(wǎng)絡(luò)假設(shè)當(dāng)前步的輸出既與前面的序列有關(guān)，也與后面的序列在卷積神經(jīng)網(wǎng)絡(luò)的某個降采樣層(pooling層)中，經(jīng)過降采樣處理，得到了16個關(guān)于采用卷積神經(jīng)網(wǎng)絡(luò)進行圖像分類和文本分類的比卷積神經(jīng)網(wǎng)絡(luò)只能用于圖像分類，不能用于文本分類，沒有相關(guān)文使用卷積神經(jīng)網(wǎng)絡(luò)進行句子分類，一般將句子中每個詞表示為固定長度的向量，這樣句子就可以表示為矩陣，從而使得在結(jié)構(gòu)上與圖像類似，并在后續(xù)進行卷積圖像處理應(yīng)用中，卷積核處理的局部區(qū)域為圖像的一小塊區(qū)域，而在從開始的層到后面的層，經(jīng)過變換得到的特征圖的尺寸逐漸變大從開始的層到后面的層，經(jīng)過變換得到的特征圖的尺寸逐漸變小從開始的層到后面的層，經(jīng)過變換得到的特征圖的尺寸大小不變從開始的層到后面的層，經(jīng)過變換得到的特征圖的尺寸開始變小，后來變大在卷積神經(jīng)網(wǎng)絡(luò)中，卷積的下一步通常是進行池化處理(pool如果參數(shù)較多，則容易導(dǎo)致過擬合。而減少參數(shù)有助于參數(shù)共享的優(yōu)勢是通過一個任務(wù)上學(xué)習(xí)到的參數(shù)可以直接應(yīng)用到另外一個任參數(shù)越多，才能避免過擬合，減少參數(shù)容易導(dǎo)致隱藏層有50個神經(jīng)元，每個神經(jīng)元與輸入圖像是全數(shù)（包括偏置參數(shù)）？101010深度學(xué)習(xí)中的詞向量表示模型存在的一個突出問題就是“詞匯傳統(tǒng)方法中詞向量表示模型存在一個突出問題就是“Word2vec需要利用到較大規(guī)模的每個詞通常初始化表示為一個d維的向不同長度和句法類型的句子其組合詞向量的1.根據(jù)樣本預(yù)測值和真實值之間的誤差，計算損失函數(shù)2.迭代更新，直到模型整體誤差小于閾值或者達到預(yù)定的迭代次數(shù)5.反向傳播，按照梯度下降的方向改變神經(jīng)元相應(yīng)的權(quán)重值Tanh如果使用自動編碼器提取特征，并與有監(jiān)督學(xué)習(xí)模型使用，則在其訓(xùn)練過程中不需要解碼器使用自動編碼器提取特征，并與有監(jiān)督學(xué)習(xí)模型使用。因為監(jiān)督學(xué)習(xí)通常的標(biāo)注數(shù)據(jù)較少模型訓(xùn)練完畢后，可以從這種先驗分布中采樣得到潛在變量，并通過解碼器得到新的樣本VAE在自動編碼機基礎(chǔ)上加入了隨機因子，這樣就可以從該模型中采