1 机器学习基础
1.2 线性模型
- 核心思想：使用线性函数来你和数据
- 局限性：
- 模型偏差：线性模型只能表示线性关系，无法捕捉数据中的非线性
- 灵活性不足：线性模型只能考虑有限个特征，无法捕捉数据中的复杂模式
分段线性模型
- 通过将特征空间划分为多个区间，并在每个区间内使用线性函数进行拟合，从而逼近非线性关系。
激活函数
- 用Hard Sigmoid 函数构建：红色的线可以看作一个常数加上一群 Hard Sigmoid 函数，转折的点越多，蓝色函数越多
- 如果是曲线，先取一些点，变成一个分段线性，点足够多且位置合适，可以逼近任何一个连续的曲线
- 用 Sigmoid 函数来逼近 Hard Sigmoid
y
=
c
1
1
−
e
−
(
b
+
w
x
1
)
y = c \frac{1}{1-e^{-(b+wx_{1})}}
y=c1−e−(b+wx1)1 其中横轴输入是
x
1
x_{1}
x1、输出的是
y
y
y，
c
c
c 为常数
- 用 ReLU 函数（修正线性单元）： c ∗ m a x ( 0 , b + w x 1 ) c*max(0,b+wx_{1}) c∗max(0,b+wx1)
机器学习框架
80
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
