- 博客(4)
- 收藏
- 关注
RSS订阅原创 python可视化图
http://www.machinelearningplus.com/plots/top-50-matplotlib-visualizations-the-master-plots-python/
2019-07-29 10:24:41
99
转载 深度学习之：L1和L2正则化
机器学习中，如果参数过多，模型过于复杂，容易造成过拟合（overfit）。即模型在训练样本数据上表现的很好，但在实际测试...
2019-07-26 16:22:03
334
转载 深度学习之：交叉熵和KL散度区别
交叉熵可在神经网络(机器学习)中作为损失函数，p表示真实标记的分布，q则为训练后的模型的预测标记分布，交叉熵损失函数可以...
2019-07-26 15:29:54
436
转载 深度学习之：LOSS和范式总结
监督机器学习问题无非就是“minimizeyour error while regularizing your parameters”，也就是在规则化参数的同时最小化误差。 最小化误差是为了让我们的模型拟合我们的训练数据，而规则化参数是防止我们的模型过分拟合我们的训练数据。多么简约的哲学啊！因为参数太多，会导致我们的模型复杂度上升，容易过拟合，也就是我们的训练误差会很小。但训练误差小并...
2019-07-26 11:47:17
1207
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