kaszxc的博客

dSprites中有4个回归任务和1个分类任务，如下表所示，但由于方向（Orientation）任务无法完全解耦（不同形状的物体，旋转角度的周期性不同），所以我们在此数据集中的回归任务为物体大小（Scale）和位置的横纵坐标（Position X, Position Y）。相关的图像示例如下图所示，由于共有3个领域，所以共可构建6个迁移任务。

模型(Model)：模型就像是电脑的“大脑”的决策用来处理和学习数据。你可以想象它为一个迷工厂，输入数据进去，输出结果。数据集(Dataset)：数据集就是用来训练模型的大量信息。这些信息可能是文字、图像、声音等。标签(Label)：标签是对数据集中每一项数据的解释或标记。比如，在一个由猫和狗照片组成的数据集中，每张照片会被标签为“猫”或“狗”。训练(Train)和测试(Test)：训练是让模型从标签好的数据集中学习的过程。测试则是检查模型是否真的学会了某件事。

然而，逻辑回归也有一些限制，比如不能很好地处理非线性关系，对异常值敏感等，在处理复杂的分类问题时，可能需要采用其他更强大的算法。逻辑回归模型是通过fit方法进行训练的，然后使用predict方法对新的样本进行分类预测。准确率是一个常用的评估指标，用来衡量分类器的性能，其取值范围在0到1之间，越接近1表示模型预测的准确率越高。, wn是模型的参数，x1, x2, …模型的目标是通过拟合训练数据，找到最佳的参数值使得预测的概率尽可能地接近真实的类别标签。其中，h(x)表示预测的概率，z表示线性回归模型的输出。

主成分分析是对于原先提出的所有变量，将重复的变量（关系紧密的变量）删去多余，建立尽可能少的新变量，使得这些新变量是两两不相关的，而且这些新变量在反映课题的信息方面尽可能保持原有的信息。因子分析是基于降维的思想，在尽可能不损失或者少损失原始数据信息的情况下，将错综复杂的众多变量聚合成少数几个独立的公共因子，这几个公共因子可以反映原来众多变量的主要信息，在减少变量个数的同时，又反映了变量之间的内在联系。分类是一种典型的有监督的机器学习方法，其目的是从一组已知类别的数据中发现分类模型，以预测新数据的未知类别。