本文介绍了深度学习的整体流程，包括数据集划分、特征工程、模型评估。特征工程主要涉及文本、图像和数值预处理。模型评估针对分类任务，强调了准确率、精确率、召回率、F1Score和ROC曲线的重要性。对于回归任务，提到了均方误差、均方根误差和R²评分作为评估指标。文章旨在为读者提供深度学习的全局认识。
第1章 导 论
上期我们介绍了
导论 | 本书学习路线
导论 | 人工智能与深度学习
1.3 深度学习算法流程
从本节开始，我们正式进入本书的学习。为此，我们先要了解深度学习的整体流程是怎么一回事。深度学习的整体流程如图1.3所示：数据集切分为训练集、验证集和测试集。
训练集用以训练深度学习模型；验证集用以评估模型结果，进而辅助模型调参；测试集用以模型的预测。
一般而言，训练集、验证集与测试集的比例为7:2:1。
图 1.3深度学习算法流程图
1.3.1 特征工程
目前业界有句话被广为流传：
“数据和特征决定了机器学习的上限，而模型与算法则是逼近这个上限而已。”
因此，特征工程做
最低0.47元/天 解锁文章
扫一扫
2937
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
