qq_43290092的博客

kaggle 房屋价格预测这算是一个很简单的kaggle比赛了，也是非常适合入门的。直入主题数据预处理读入数据后，可以发现有些数据是连续的，有些数据是离散的，有些数据是文本的，有些数据是缺失的。那么很明确，我们需要做的两个工作是，将文本转换成数值数据，这里可以采用one-hot形式，然后再就是将缺失的数据补全。%matplotlib inlineimport numpy as npimport pandas as pdimport torchfrom torch import nnimp

多层感知机1.多层感知机1.1 激活函数1.2 多层感知机的实现2. 正则化3.1.多层感知机多层感知机(multilayer perceptron)通常被称作MLP，也叫做深度前馈网络。多层感知机中的多层体现在，在之前的先行神经网络中添加了一个隐藏层。如下图所示：这是一个两层的神经网络。其中的层数指的是神经元之间的权重参数。多层感知机与线性神经网络非常类似：假设有n个样本，样本有d维特征，则输入的神经元X为nxd的矩阵。隐藏层权重W1为dxh的矩阵。这里的h指的是隐藏层神经元的个数。则

softmax回归1. softmax回归2. softmax操作3. 最大似然估计4. 损失函数5. 梯度6. 实现1. softmax回归虽然softmax回归里面带有回归二字，但是其实这是一个分类模型。类似于线性回归，softmax回归是一个单层神经网络，不同的是，线性回归的输出只有一个，而softmax回归的输出有多个。(图片引用自zh-v2.d2l.ai)之所以softmax回归用来做分类，是该模型经过softmax操作将输出转换成概率，根据较大的概率选择归为哪一类。以上图为例，可以使用

线性模型1.线性分类1.1 分类问题1.2 几何意义1.3 评估方法与性能评价2.线性回归2.1动手实现线性回归2.2线性回归的简洁实现3.课后习题Reference1.线性分类1.1 分类问题机器学习问题通常分为分类和回归两类问题。线性分类问题即将线性模型用于分类问题，适用于线性可分的两类数据进行分类。在线性分类中，通常对于给定的n维列向量，即n维样本x=[x1,x2,...,xn]Tx=[x_1,x_2,...,x_n]^Tx=[x1​,x2​,...,xn​]T使用线性判别函数进行分类。线

决策树文章写了好久还没有完成，先发这篇环境安装。本系列将长期更新，学习的内容是李沐大神的基于pytorch的动手学深度学习，将从0开始系统地学习，当然基于学校课程的原因，这些学习的内容只能是课余时间抽空进行学习，所以更新会比较慢。下面开始环境的安装与配置。教程使用的是mac+云+gpu，开云服务器用gpu肯定要付费，加上我本机上一颗闲置的2060，所以决定在本地配置。同时由于虚拟机中无法gpu虚拟化，所以也无法开虚拟机在linux环境中学习，于是最终，根据自己的情况，实现了在windows下的环境安装配