数据分析与挖掘
lrjnumber
JAVA python HTml
展开
-
神经网络建模
神经网络看起来很复杂,节点很多,层数多,参数更多。但核心部分或组件不多,把这些组件确定后,这个神经网络基本就确定了。这些核心组件包括:1)层:神经网络的基本结构,将输入张量转换为输出张量。2)模型:层构成的网络。3)损失函数:参数学习的目标函数,通过最小化损失函数来学习各种参数。4)优化器:如何使损失函数最小,这就涉及优化器。当然这些核心组件不是独立的,它们之间,以及它们与神经网络其他组件之间有密切关系。为便于读者理解,我们可以把这些关键组件及相互关系,用图3-1表示。原创 2021-07-30 19:31:10 · 947 阅读 · 0 评论 -
分类模型评估
原创 2021-07-23 17:03:08 · 98 阅读 · 0 评论 -
常用的数据清洗方法
常用的数据清洗方法常用的数据清洗方法 在数据处理过程中,一般都需要进行数据的清洗工作,如数据集是否存在重复、是否存在缺失、数据是否具有完整性和一致性、数据中是否存在异常值等。当发现数据中存在如上可能的问题时,都需要有针对性地处理,本节将重点介绍如何识别和处理重复观测、缺失值和异常值。(1)重复观测处理重复观测,顾名思义是指观测行存在重复的现象,重复观测的存在会影响数据分析和挖掘结果的准确性,所以在数据分析和建模之前需要进行观测的重复性检验,如果存在重复观测,还需要进行重复项的删除。(2)缺失原创 2021-07-20 22:26:15 · 16198 阅读 · 0 评论 -
回归假设检验
回归假设检验模型的显著性检验:模型的显著性检验是指构成因变量的线性组合是否有效,即整个模型中是否至少存在一个自变量能够真正影响到因变量的波动。该检验是用来衡量模型的整体效应。(F检验)回归系数的显著性检验:回归系数的显著性检验是为了说明单个自变量在模型中是否有效,即自变量对因变量是否具有重要意义。这种检验则是出于对单个变量的肯定与否。 (t检验)模型的显著性检验——F检验在统计学中,有关假设检验的问题,都有一套成熟的步骤。首先来看一下如何应用F检验法完成模型的显著性检验,具体的检验步骤如下:(原创 2021-07-20 21:11:32 · 6145 阅读 · 0 评论