- 博客(8)
- 收藏
- 关注
RSS订阅原创 为什么要设定损失函数
为什么要导入损失函数呢？以数字识别任务为例，我们想获得的是能提高识别精度的参数，特意再导入一个损失函数不是有些重复劳动吗？也就是说，既然我们的目标是获得使识别精度尽可能高的神经网络，那不是应该把识别精度作为指标吗？在神经网络的学习中，寻找最优参数（权重和偏置）时，要寻找使损失函数的值尽可能小的参数。为了找到使损失函数的值尽可能小的地方，需要计算参数的导数（确切地讲是梯度），然后以这个导数为指引，逐步更新参数的值。假设有一个神经网络，现在我们来关注这个神经网络中的某一个权重参数。此时，对该权重参数的损失
2021-01-31 09:04:46
1353
原创 Python绘制爱心圣诞树
心血来潮的一个想法，分享一下代码代码# -*- coding: utf-8 -*-"""Created on Sat Dec 12 12:29:09 2020@author: haoyu"""import turtle as t# 爱心函数# 将爱心分为两个半圆与一个正方形# r为半圆半径，l = 2r为正方形边长def loving_heart(r): l = 2 * r t.left(45) t.forward(l) t.circle(r,
2020-12-13 14:36:20
17664
23
原创 Python绘制嵌套正方形
一个python实验代码的分享题目：请画出如图所示的图形代码import turtle as t#t.Turtle().screen.delay(0) #加速s=0t.pen t.seth(0)length=0while (length !=400): #当边长达到400时循环结束 t.penup() #拿起画笔 t.goto(s,s) #画出一个后重新设置起点坐标 t.pendown() #放下画笔 for i in ran
2020-12-08 20:45:06
3722
3
原创 泛化、过拟合与欠拟合
泛化、过拟合与欠拟合在监督学习中，我们想要在训练数据上构建模型，然后能够对没见过的新数据（这些新数据与训练集具有相同的特性）做出准确预测。如果一个模型能够对没见过的数据做出准确预测，我们就说它能够从训练集泛化（generalize）到测试集。我们想要构建一个泛化精度尽可能高的模型。通常来说，我们构建模型，使其在训练集上能够做出准确预测。如果训练集和测试集足够相似，我们预计模型在测试集上也能做出准确预测。不过在某些情况下这一点并不成立。例如，如果我们可以构建非常复杂的模型，那么在训练集上的精度可以想多高就
2020-11-21 16:09:40
1520
原创 机器学习：鸢尾花(Iris)分类
简单机器学习应用：鸢尾花(Iris)分类衡量模型是否成功：训练数据与测试数据我们想要利用这些数据构建一个机器学习模型，用于预测新测量的鸢尾花的品种。但在将模型应用于新的测量数据之前，我们需要知道模型是否有效，也就是说，我们是否应该相信它的预测结果。但是，我们不能将用于构建模型的数据用于评估模型。因为这样的话模型会一直记住整个训练集，所以对于训练集中的任何数据点总会预测正确的标签。这种“记忆”无法告诉我们模型的泛化(generalize)能力如何（换句话说，在新数据上能否正确预测）。我们要用新数据来评
2020-11-20 10:42:49
7936
3
原创 监督学习：回归
机器学习：有监督学习之回归回归分析回归：统计学分析数据的方法，目的在于了解两个或多个变数间是否相关、研究其相关方向与强度，并建立数学模型以便观察特定变数来预测研究者感兴趣的变数。回归分析可以帮助人们了解在自变量变化时因变量的变化量。一般来说，通过回归分析我们可以由给出的自变量估计因变量的条件期望。线性回归import matplotlib.pyplot as pltimport numpy as npfrom sklearn import linear_model# 读取数据集datas
2020-11-15 11:01:33
1030
原创 Python数据分析期末复习归纳
python数据分析期末复习文章目录python数据分析期末复习前言一、第1、2章二、使用步骤1.引入库2.读入数据总结前言提示：这里可以添加本文要记录的大概内容：例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。提示：以下是本篇文章正文内容，下面案例可供参考一、第1、2章分值：1~2分python使用缩进来组织代码示例：pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。二、使用步骤
2020-11-10 13:14:01
5863
5
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人