Python深度学习 3：机器学习基础

监督学习：

验证集的引入：

绍三种经典的评估方法：简单的留出验证、K 折验证， 以及带有打乱数据的重复 K 折验证。

神经网络输入数据的预处理。向量化、标准化、处理缺失 值和特征提取：

向量化：

值标准化：

处理缺失值：

过拟合和欠拟合:

正则化竟然理解错了：不是对最后的loss（w）求梯度之类的过程，而仅仅是一个简单的计算然后加到原来的损失函数上。

防止过拟合时可以：减小网络大小。

读懂验证损失这个图：

验证损失越小说明模型越小。

随着epoch的增加，验证损失首先减小，然后增加，增加说明开始过拟合。

添加权重正则化：

dorpout正则化，有趣的小故事：

评估的方法：

准备数据：

常见问题最后一层的激活和损失函数：

.。。

。。