![](https://img-blog.csdnimg.cn/20201014180756919.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器学习
文章平均质量分 88
海人001
爱码仕
展开
-
机器学习理论测试
Q1在回归模型中,下列哪一项在权衡欠拟合(under-fitting)和过拟合(over-fitting)中影响最大?A. 多项式阶数B. 更新权重 w 时,使用的是矩阵求逆还是梯度下降C. 使用常数项答案:A解析:选择合适的多项式阶数非常重要。如果阶数过大,模型就会更加复杂,容易发生过拟合;如果阶数较小,模型就会过于简单,容易发生欠拟合。如果有对过拟合和欠拟合概念不清楚的,见下图所示:Q2. 假设你有以下数据:输入和输出都只有一个变量。使用线性回归模型(y=wx+b)来拟.原创 2020-09-28 16:06:10 · 17794 阅读 · 0 评论 -
ChatterBot自定义MongoDB路径
默认数据库为Slite3,已经不能满足需求,需改为mongodbclass bot: def __init__(self): self.my_bot = ChatBot( 'mode', storage_adapter='chatterbot.storage.MongoDatabaseAdapter', ...原创 2020-12-24 14:36:23 · 10460 阅读 · 0 评论 -
ChatterBot自定义Sqlite3路径
Windowsmy_bot = ChatBot("Training demo",database_uri='sqlite:///DB/SQLITE3/db.sqlite3')Linuxmy_bot = ChatBot("Training demo",database_uri='sqlite:////DB/SQLITE3/db.sqlite3')原创 2020-12-24 14:35:55 · 10578 阅读 · 0 评论 -
逻辑回归知识点
目录作用模型函数逻辑回归的目标函数优化过程:作用用来预测分类,与朴素贝叶斯分类不同,贝叶斯获得的是离散值,最后通过比较离散值界定分类,逻辑回归根据区间进行分类。模型函数 设 则: 当,,当,逻辑回归的目标函数训练 h(x) 的过程,就是求 θ 的过程。 当 y>0.5 时,z 被归类为真(True)或阳性(Positive),当 y<=...原创 2019-10-17 17:17:33 · 10320 阅读 · 0 评论 -
朴素贝叶斯分类器知识点
目录分类与回归的区别先验概率后验概率贝叶斯定理朴素贝叶斯分类器(Naïve Bayes Classifier)离散属性与连续属性值的分别处理拉普拉斯修正(Laplacian correction)分类与回归的区别分类是预测一个类别,回归是预测一个量 分类模型输出的预测值是离散值,而回归模型输出的预测值则是连续值先验概率在贝叶斯统计推断论中,一个未确定数目...原创 2019-10-16 10:37:04 · 10922 阅读 · 0 评论 -
使用python线性回归进行销量预测,建模和重建模
目录Python线性回归分析线性回归:1周销量来预测6周销量建模组:叶菜类历史销量数据测试组:某款叶菜的历史销售数据机器学习训练结果回归统计表方差分析表关于模型优劣的样本验证预测误差表误差分布图重新建模:剔除不合适的样本剩余样本重新建模重新建模后的残差图Python线性回归分析线性回归:1周销量来预测6周销量建模组:叶菜类历史销量数据...原创 2019-08-14 10:16:06 · 20501 阅读 · 4 评论 -
梯度下降法知识点
目录机器学习学习的目标凸函数Convex Function为什么说xt + y(1-t)代表x,y之间任意一点为什么说 f(tx + (1-t)y) <= tf(x) + (1-t)f(y)可以判断凸函数梯度下降法梯度下降的超参数梯度下降的难点机器学习学习的目标机器学习模型都有一个目标函数,而学习的目标,就是最小化目标函数。 对一个函数,最小化该函数其实...原创 2019-10-09 15:04:24 · 10552 阅读 · 0 评论 -
线性回归知识点
目录线性回归的目标函数梯度下降求解目标函数线性回归的目标函数在将训练样本的 x 逐个带入后,得出的预测值 y’ = a + bx 与真实年薪 y 整体的差异最小。 一个样本的 y 和 y’ 的差异用 (y′−y)2来表示。整体差距呢叫做 Cost Function在(a,b) 中,x(i)和 y(i)是常量参数(也就是 m 个样本各自的 x 和 y 值),而 a 和 b 成...原创 2019-10-09 19:10:57 · 10853 阅读 · 0 评论