本文基于李宏毅的机器学习课程，通过构建宝可梦和数码宝贝分类器，深入浅出地阐述了机器学习的基本原理。首先，利用线条数量作为特征定义函数并设定损失函数；接着，探讨训练过程中的数据局限性和理想状态的接近程度，通过数学推导分析如何影响训练效果。最后，讨论了模型选择的数量与训练数据质量之间的平衡，提出深度学习作为兼顾两者的方法。
本文是李宏毅机器学习的笔记，这是第四节，通过宝可梦、数码宝贝分类器简单的介绍了机器学习的原理。
文章目录
1. 宝可梦、数码宝贝分类器流程
由于宝可梦和数码宝贝画风不同，数码宝贝的画风更为复杂，所以使用线条数量h来简单的定义一个函数
然后定义损失函数
2. 训练细节
然后我们进行训练，但是训练的时候会有一个问题，就是用于训练的数据不是所有的数据，只是部分数据，所以我们希望理想和现实尽可能的相近。
我们希望理想和现实尽可能的相近，那么只要对于任意的h，有 ∣ L ( h , D t r a i n ) − L ( h , D a l l ) ∣ < = σ 2 |L(h, D_{train})-L(h, D_{all})|<=\frac\sigma2 ∣L(h,Dtrain)−L(h,
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
