![](https://img-blog.csdnimg.cn/20201014180756923.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
AI
粥ou
这个作者很懒,什么都没留下…
展开
-
Pytorch基础点
损失函数的作用用随机值初始化前向计算公式的参数; 代入样本,计算输出的预测值; 用损失函数计算预测值和标签值(真实值)的误差;(最主要的) 根据损失函数的导数,沿梯度最小方向将误差回传,修正前向计算公式中的各个权重值; goto 2, 直到损失函数值达到一个满意的值就停止迭代。每次要把梯度设为0是因为不设为0pytorch中会将上次计算的梯度和本次计算的梯度累加.学习率是一个重要的超参数,它控制着我们基于损失梯度调整神经网络权值的速度. 学习率越小,我们沿着损失梯度下降的速度越慢。可以翻译 2021-06-26 06:27:33 · 205 阅读 · 0 评论 -
深度学习之多层感知器Multi-layer Perceptron
在不增加高此项数据的情况下,通过MLP实现非线性分类预测经过多次迭代后翻译 2021-04-19 12:16:38 · 873 阅读 · 0 评论 -
混淆矩阵和数据分离
先看实际,再看预测就是希望正常交易(负样本中预测的结果中正确的比例)翻译 2021-04-17 19:00:43 · 88 阅读 · 0 评论 -
异常检测(Anomaly Detection)与主成分分析(PCA)
根据输入数据,对不符合预期模式的数据进行识别根据概率密度最小的点,检测是否是异常点翻译 2021-04-17 18:57:17 · 807 阅读 · 0 评论 -
过拟合和欠拟合
模型不合适,导致其无法对数据实现有效预测过拟合通用性太差欠拟合可以通过观察训练数据及时发现,通过优化模型结果解决过拟合产生的原因:①模型结构过于复杂(维度过高)②使用了过多属性,模型训练时包含了干扰项信息解决办法:①简化模型结构,使用低阶模型②数据预处理,保留主成分信息(数据PCA处理)③在模型训练时,增加正则化项高次项信息减少了...翻译 2021-04-14 12:41:42 · 64 阅读 · 0 评论 -
KMeans,KNN 和 meanshift实战
输入的参数是要分成K类,中心点的位置这里是Kmeans 的矫正,因为输入的数据是无标签的,可能和你预期结果得到的标签不同,所以你要转换自动计算半径的大小因为输入的数据有标签,不需要矫正...翻译 2021-04-09 15:03:06 · 188 阅读 · 0 评论 -
简介K均值,KNN和均值漂移算法(理论上)
第二步中最初的聚类中心虽然是随机选择的,但选择不好反而有大问题聚类的个数是唯一的参数步骤:翻译 2021-04-08 12:16:09 · 339 阅读 · 0 评论 -
无监督学习(起个头)
没有对错之分逐步往数据密度高的地方移动翻译 2021-04-08 09:42:54 · 50 阅读 · 0 评论 -
分类问题
分类:根据已知样本的某些特征,判断一个新的样本属于哪种已知的样本类分类的方法:翻译 2021-04-05 12:27:16 · 123 阅读 · 0 评论 -
多因子线性回归问题
jupyter notebook 500 : Internal Server Error 问题https://segmentfault.com/a/1190000022806936翻译 2021-04-05 11:40:41 · 563 阅读 · 0 评论