前端助手包含json格式对比_网页性能监控_截图等功能-，直接拖到Google浏览器拓展中即可使用
2021-11-02 19:07:33
331KB
1
SVM与神经网络（NN）的对比
SVM的理论基础比NN更坚实，更像一门严谨的“科学”（三要素：问题的表示、问题的解决、证明）
SVM —— 严格的数学推理
NN —— 强烈依赖于工程技巧
推广能力取决于“经验风险值”和“置信范围值”，NN不能控制两者中的任何一个。
NN设计者用高超的工程技巧弥补了数学上的缺陷——设计特殊的结构，利用启发式算法，有时能得到出人意料的好结果。
2021-10-31 13:45:45
4.83MB
1
matlab对比实验代码数据中毒攻击的认证防御
该代码复制了以下论文的实验：
雅各布·斯坦哈特，庞伟哥和梁佩茜
NIPS
2017。
我们在上具有这些脚本的可复制，可执行和Dockerized版本。
实验的数据集也可以在Codalab链接中找到。
依存关系：
Numpy
/
Scipy
/
Scikit-learn
/
Pandas
Tensorflow（在v1.1.0上测试）
Keras（在v2.0.4上测试）
Spacy（在v1.8.2上测试）
h5py（在v2.7.0上测试）
cvxpy（在0.4.9上测试）
MATLAB
/
Gurobi
Matplotlib
/
Seaborn（用于可视化）
具有这些依赖关系的Dockerfile（MATLAB除外）可以在这里找到：
在用户提供的数据上训练的机器学习系统容易受到数据中毒攻击，从而恶意用户注入虚假的训练数据，目的是破坏学习的模型。
尽管最近的工作提出了许多攻击和防御措施，但对于面对坚定的攻击者最坏情况的防御措施知之甚少。
对于首先执行异常值消除然后将经验风险最小化的防御者，我们通过在广泛的攻击家族中构建近似的损失上限来解决此问题
2021-10-30 15:18:09
374KB
1
随机森林实现及调参一、R语言方法一、手动调参方法二、网格调参二、python
注：本博客数据仍采用决策树调参的泰坦尼克号数据，前奏(数据预处理)请参考☞
决策树R&Python调参对比☜
一、R语言
方法一、手动调参
PS.仅使用常规包：randomForest和循环编写。
1-建模
set.seed(6)
rf <- randomForest(Survived~.,data=train,ntree=100)
y_pred <- predict(rf,test)
A <- as.matrix(table(y_pred,test$Survived))
acc <- sum(diag(A))/su
2021-10-30 10:21:43
92KB
1