![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器学习
文章平均质量分 88
学习笔记记录
雾渐起
这个作者很懒,什么都没留下…
展开
-
机器学习-标量回归
将取值范围差异很大的数据输入到神经网络中,这是有问题的。对于这类数据,普遍采用的最佳处理方法是对每个特征进行标准化,即对于输入数据的每个特征(输入数据矩阵的每一列),减去特征平均值,再除以标准差,这样得到的特征平均值为0,标准差为1。注意,我们编译模型用的是mse损失函数,即均方误差(mean squared error,MSE),预测值与目标值之差的平方。回归问题是一种常见的机器学习问题,它预测的的是一个连续值,而不是离散标签,比如根据气象预测明日气温,或者根据软件说明书预测完成软件项目所需的时间。原创 2024-04-17 21:02:58 · 722 阅读 · 0 评论 -
机器学习:影评二分类
中间层使用relu作为激活函数,最后一层使用sigmoid激活函数,以便输出一个介于0和1之间的概率值(表示样本目标值等于“1”的可能性,即评论为正面的可能性)。单元越多(表示空间的维度越高),模型就能学到更加复杂的表示,但模型的计算代价也变得更大,并可能导致学到不必要的模式(这种模式可以提高在训练数据上的性能,但不会提高在测试数据上的性能)。• 对于二分类问题(两个输出类别),模型的最后一层应该是只有一个单元并使用sigmoid激活函数的Dense层,模型输出应该是一个0到1的标量,表示概率值。原创 2024-04-16 21:49:44 · 966 阅读 · 0 评论 -
用TensorFlow编写线性分类器
回想一下,对于给定点[x, y],其预测值是prediction = [[w1], [w2]]•[x, y] + b = w1 * x + w2 * y + b。因此,类别0的定义是w1 * x + w2 * y + b < 0.5,类别1的定义是w1 * x + w2 * y + b > 0.5。因此,对于给定的输入点[x, y],其预测值为:prediction = [[w1], [w2]]•[x, y] + b = w1 * x + w2 * y + b。将两个类别的点堆叠起来作为输入。原创 2024-04-16 00:09:54 · 565 阅读 · 0 评论