深度学习笔记（一）

最新推荐文章于 2022-11-12 11:00:14 发布

Orange_547

最新推荐文章于 2022-11-12 11:00:14 发布

阅读量302

点赞数

分类专栏：深度学习文章标签：深度学习

本文链接：https://blog.csdn.net/qq_43352918/article/details/103088830

版权

本文介绍了深度学习的基本概念，包括其作为机器学习分支的角色，以及深度学习模型的特点。接着，讨论了有监督学习，特别是数据集的划分、训练集与测试集的拆分方法，如留出法、K折交叉验证和分层抽样策略。此外，还详细阐述了如何使用网格搜索和K折交叉验证调优超参数，并探讨了分类问题的关键性能指标，如准确率、精确率、召回率和F值，以及P-R曲线和ROC曲线。最后，提到了回归问题和相关的一致性评价方法。

摘要由CSDN通过智能技术生成

机器学习（Machine Learning）：对研究问题进行模型假设，利用计算机从训练数据中学习到模型参数。
深度学习（Deep learning）：一种实现机器学习的技术，是机器学习的重要分支。源于人工神经网络的研究，深度学习的模型结构是一种含多隐藏层的神经网络，通过组合低层特征形成更加抽象的高层特征。
在这里插入图片描述
数据集与有监督学习：有监督学习即在训练过程中要用到样本数据的标注结果，如类别标签等。有监督学习中数据通常分为训练集、测试集两部分。训练集用来训练模型，即被用来学习得到系统的参数取值。测试集用于最终报告模型的评价结果。
在这里插入图片描述
训练集和测试集的拆分： 使用sklearn工具。安装方法;anaconda是一个开源的Python发行版本，其包含很多科学包和依赖项，也包含sklearn。网址：http://www.anaconda.com/download/#windows
（1）留出法：将数据随机分为两组，一组训练集，一组测试集。优点：处理简单。缺点：测试集上的预测性能的高低与数据集拆分情况有很大关系，故评估结果不够稳定。
࿰