机器学习随记（4）

最新推荐文章于 2024-06-07 22:36:41 发布
最新推荐文章于 2024-06-07 22:36:41 发布
阅读量86 收藏
点赞数
分类专栏： 机器学习 人工智能 深度学习 文章标签： 机器学习 深度学习 神经网络
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Young_IT/article/details/130542109
版权

使用sklearn创建高次多项式线性模型 ，在训练集上进行训练

degree = 10 # 线性模型最高次幂
lmodel = lin_model(degree)
lmodel.fit(X_train, y_train)

 对训练数据进行预测，找出训练误差

yhat = lmodel.predict(X_train)
err_train = lmodel.mse(y_train, yhat)

 预测测试数据，得出测试误差

yhat = lmodel.predict(X_test)
err_test = lmodel.mse(y_test, yhat)

 

Young_IT
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
AJAX 随记
10-29
使用AJAX可以提供无页面刷新便可以从后台更新页面数据，因此可以做出类似桌面应用的效果，但是每用一次AJAX便会用到大量的Javascript语句，今天我把整理了一下，使它变得结构化一些。
c++随记.docx
09-11
学习c++过程中的一些知识点随记，我感觉重要的就稍微记了一下，比较简略，但是快速的阅读的话可以提醒自己想起那一部分的知识点。在复习c++知识点的时候，有些帮助。
机器学习实战——训练模型
YCF8746的博客
08-15 3850
本文为机器学习实战：基于Scikit-Learn、Keras和TensorFlow(原书第2版)该书第四章：训练模型的读书笔记
机器学习随记
weixin_57830892的博客
04-30 341
文章目录1. ML通用流程 1. ML通用流程 收集数据 准备数据 分析数据 训练算法 测试算法 使用算法
机器学习随记（1）
YoungITの博客
05-05 101
目标函数（Object Function）定义为：最终需要优化的函数。等于经验风险+结构风险（也就是代价函数 + 正则化项）。代价函数最小化，降低经验风险，正则化项最小化降低。代价函数（Cost Function ）是定义在整个训练集上的，是所有样本误差的平均，也就是损失函数的平均。损失函数（Loss Function ）是定义在单个样本上的，算的是一个样本的误差。Loss 是单个示例与其目标值的差异的度量，而 Cost 是训练集上损失的度量。正则化线性回归的成本函数。正则化逻辑回归的成本函数。
机器学习随记【day14】
ztyLOVElearning的博客
01-24 687
正则化 引入 两图都是较好的拟合结果，之前提过P2出现过拟合的情况，泛化的能力不佳。这时为了减小x ^3与x ^4的影响，可以在代价函数中加入惩罚,即图中的形式，+1000θ ^3+1000θ ^4,这样可让两个参数很小 此处的1000指很大的数 正则化思想 简化假设模型，因此也减少了过拟合的情况。 当我们有多个参数， 正则化代价函数 当我们有多个参数，而不知道那些需要添加惩罚，就对所有特征添加惩罚，则可以得到以下正则化代价函数: 第一项的目的是训练模型更好拟合训练集；第二项目的是保持参数尽可能小，其
机器学习随记【day01】
ztyLOVElearning的博客
01-11 609
内容主要出自吴恩达机器学习网课 机器学习 Grew out of in AI New capabilitiy for computers 计算机开发的新功能 部分应用 Data mining 数据挖掘 Applications cant program by hand 人无法手写的程序 Self-customizing programs 私人定制程序 Understanding human learning(brain,real AI) 理解人
机器学习随记【day07-08】
ztyLOVElearning的博客
01-17 601
多变量线性回归 模型 假设函数 此处为了表示方便将x0定1，且可以将其用矩阵相乘表示 代价函数 单变量与多变量梯度下降比对 特征缩放 举例 视频中举房价为例子，有两个变量x1为0-200的面积 x2为1-5的数量卧室 以θ1、θ2为变量绘制等高图 (立椭圆的图形特征可以用梯度下降的步伐或者导数大小来理解) 易见变量相差较大时，梯度下降需要多次迭代才能收敛 为减少迭代次数，通过缩放使他们相差较小(椭圆化圆的味道) 均值归一化(Mean normalization) μi为xi的均值 Si为xi的
机器学习随记【day02-03】
ztyLOVElearning的博客
01-13 305
课程中会用到的符号 m = Number of training examples 训练样本的数量 x’s =“input” variable / features 输入特征 y’s = “output” variable /"target"variable 输出变量 (x,y) =one training example 一个训练样本 (x^ (i),y^ (i) ) 第i个训练样本，i不是幂指数，而是索引 模型描述 Linear regression 线性回归 假设函数h(hypothesi
机器学习随记【day25-day26】
ztyLOVElearning的博客
02-17 596
无监督学习 简单地说，监督学习是:我们有一个带标签的训练集，然后我们的目标是找到一条可以区分正样本和负样本的决策边界，即用假设函数拟合标签。无监督学习的数据没有标签 聚类算法 在聚类问题中，我们给定一组未加标签的数据集，希望找到一个算法能够自动地将这些数据分成有紧密关系的子集或簇。 应用 K-means算法 第一个for 循环:对于每个样本从第1个到K个最接近X^i 的聚类中心下标，赋给C ^i 第二个for 循环:移动聚类中心，即将聚类中心移动到簇的均值处，若某个中心没有点，通常删除这个点，或者随记初
机器学习随记【day15-day18】
ztyLOVElearning的博客
01-29 1607
神经元与大脑 模型展示 神经元 图为一个带有sigmoid或logistic激活函数的人工神经元模型 x0:偏置单元(bias unit)/偏置神经元(bias neuron), 总等于1 神经网络 神经网络其实是一组神经元连接在一起的集合 输入层(Input layer):第一层，输入特征x1，x2，x3 输出层(Out layer):最后一层，输入假设的最终结算结果 隐藏层(Hidden layer):中间层，即非输入非输出层 a^j_i:表示第 j 层第 i 个激活项,激活项指由一个具体神经
随记统一响应结果和全局异常类
01-30
个人练习使用idea编写的项目后，总结的东西
阿西河前端教程学习心得随记——HTML5 有哪些新特性？_声明方式
01-08
待到将所有的html面试题过了一遍后，应该便有信心继续其它知识的学习了吧？好吧，那就从内容系统且全面的阿西河前端教程——HTML的面试题开始吧。 为了享受这个过程，我会首先滑动鼠标中键，大概浏览下Up主博客的...
vue学习随记.zip_vue_vuex_vue学习知识点笔记_图片上传插件封装
09-23
vue的知识点干货，从路由到vuex的知识点干货
Python 机器学习 基础 之 【常用机器学习库】 Matplotlib 数据可视化库
仙魁XAN
06-07 590
Python是一种跨平台的计算机程序设计语言。是一种面向对象的动态类型语言，最初被设计用于编写自动化脚本(shell)，随着版本的不断更新和语言新功能的添加，越多被用于独立的、大型项目的开发。Python是一种解释型脚本语言，可以应用于以下领域： Web 和 Internet开发、科学计算和统计、人工智能、教育、桌面界面开发、软件开发、后端开发、网络爬虫。Python 机器学习是利用 Python 编程语言中的各种工具和库来实现机器学习算法和技术的过程。
Spark MLlib 机器学习
嫦娥妹妹等等我的博客
06-07 219
Spark MLlib 是 Apache Spark 中用于机器学习的库，它提供了一系列的工具和算法来进行各种机器学习任务。MLlib 提供了多种评估指标来评估模型的性能，包括分类的准确率、精确率、召回率、F1-score，回归的均方误差（MSE）、均方根误差（RMSE）等。MLlib 提供了用于构建机器学习管道的工具，使用户可以将数据预处理、特征提取、模型训练和评估结合起来。- `ParamGridBuilder` 和 `CrossValidator`：用于模型选择和超参数调优。
5 分钟内构建一个简单的基于 Python 的 GAN
gongdiwudu的专栏
06-07 513
生成对抗网络（GAN）因其能力而在学术界引起轩然大波。机器能够创作出新颖、富有灵感的作品，这让每个人都感到敬畏和恐惧。因此，人们开始好奇，如何构建一个这样的网络？
聚类层次【python，机器学习，算法】
最新发布
xiangfeng666的博客
06-07 425
层次聚类算法（Hierarchical Clustering Algorithm）是一种常用的无监督学习算法，用于将数据集划分成多个不同层次的簇。与K均值聚类不同，层次聚类不需要预先指定聚类数量，而是通过计算样本之间的相似度或距离来构建一个层次结构。自上而下的分解(Divisive)。
随记洗牌发牌的C语言程序
06-06
以下是一个简单的随机洗牌发牌程序的C语言代码： ```c #include <stdio.h> #include <stdlib.h> #include <time.h> #define DECK_SIZE 52 #define SUIT_SIZE 13 int main() { int deck[DECK_SIZE]; int i, j, temp; // 初始化牌堆 for (i = 0; i < DECK_SIZE; i++) { deck[i] = i; } // 随机洗牌 srand(time(NULL)); for (i = 0; i < DECK_SIZE; i++) { j = rand() % DECK_SIZE; temp = deck[i]; deck[i] = deck[j]; deck[j] = temp; } // 发牌 printf("Player 1's hand:\n"); for (i = 0; i < SUIT_SIZE; i++) { printf("%d ", deck[i]); } printf("\n\n"); printf("Player 2's hand:\n"); for (i = SUIT_SIZE; i < SUIT_SIZE * 2; i++) { printf("%d ", deck[i]); } printf("\n\n"); printf("Player 3's hand:\n"); for (i = SUIT_SIZE * 2; i < SUIT_SIZE * 3; i++) { printf("%d ", deck[i]); } printf("\n\n"); printf("Player 4's hand:\n"); for (i = SUIT_SIZE * 3; i < DECK_SIZE; i++) { printf("%d ", deck[i]); } printf("\n\n"); return 0; } ``` 这个程序首先初始化了一个52张牌的牌堆数组，然后使用`srand`和`rand`函数来进行随机洗牌。最后，程序按照四个玩家的顺序，从洗好的牌堆中取出各自的牌，输出给玩家。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值