![](https://img-blog.csdnimg.cn/20201014180756926.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器学习
文章平均质量分 90
Squid _
这个作者很懒,什么都没留下…
展开
-
python深度学习笔记01-电影评论分类
虽说已经对神经网络有所了解,但是理解和实践还是有区别的。例如,理解的时候,我们需要不断的推公式,实践的时候,平常只需要使用已有的函数进行调用就好。也就是不用自己做前向传播和后向传播,只需要用函数把神经网络构建好,选好优化器、损失函数和指标,最后调用拟合函数设置拟合次数就好。这就是从《python深度学习》这本书中第三章第一个例题得出的道理。注:本博客的知识都能在博主之前的机器学习笔记中学到,博主也还在学习阶段,希望大佬指导指导。问题概述 电影评论分类是一个二分类问题,主要是根据电影评论的文字原创 2021-09-09 11:26:29 · 512 阅读 · 0 评论 -
机器学习07-拟合模型诊断
我们学习了很多机器学习的使用方法,但是我们一直没有一个好的方法去得到一个高效率的拟合模型选择,因此,我们来说说如何得到一个又高效又好的拟合模型。对于这个问题,我们一样使用预测房价的例子。这是我们熟知的线性回归代价函数J。假设我们已经取到了其最小值。但是我们放入一组新的数据下去,发现预测的值和实际的值出现了很大的误差,我们应该怎么改善这个算法。找更多的训练数据进行训练。减少特征,防止过拟合增加特征增加多项式特征降低正则化参数λ的值增加正则化参数λ的值如果你随便选择这些方法,很容易让你事原创 2021-06-16 16:29:11 · 523 阅读 · 0 评论 -
机器学习06-神经网络+后向传播
本章,我们先来讨论一个学习算法,它能在给定训练集时为神经网络拟合参数。代价函数假设我们有一个神经网络,如下:假设我们有一个像这样的训练集:我们用再做一些记号:L:代表神经网络的总层数。S_l:代表第l层的神经元数量,其中不包括第L层的偏差单元。还记得吗?我们逻辑回归代价函数公式:现在放出我们的神经网络的代价函数公式:(哇,看起来很复杂,但其实不难理解)与回归代价函数相比,神经网络的代价函数公式在它基础上增加了点东西而已。原来cost函数加上求和k之后,等于遍历了神经网络里的cos原创 2021-06-06 17:14:53 · 676 阅读 · 2 评论 -
机器学习05-神经网络概念+前向传播
我们学习了线性回归、logistic,为什么还要学习神经网络。我们用几个例子作为例子。注意:如果没有学习神经网络之前的知识,如线性回归、logistic(我前面发的笔记),会比较难食用这篇文章。例子一假设有一个监督学习分类问题,我们可以利用一个包含很多非线性项的logistic回归来解决问题:决策边界就会画出来:这是只有x1和x2两个特征得到的不错的效果,因为把x1和x2的所有组合都包含到多项式中。但有趣的机器学习问题,大多都不止只有两个特征,就像我们之前讨论过的预测房价问题:假设我原创 2021-05-30 23:39:29 · 595 阅读 · 2 评论 -
机器学习04-过拟合问题-正则化
拟合我们知道了,那什么是过拟合呢?首先我们看看什么是欠拟合。欠拟合让我们使用回之前的线性回归来预测房价的例子,以住房面积为自变量的函数来预测房价。我们可以使用一次函数来拟合数据,我们得到这样一条直线:但这不是一个很好的模型,通过数据可以看出,房子面积越大,价格越趋向于稳定。而该拟合函数并没有很好的去拟合训练集,我们把这个问题称为欠拟合。欠拟合:如果拟合一条直线,就好像算法有一个很强的偏见,或者说非常大的偏差,认为房子价格与面积线性相关,而罔顾数据的不符,先入为主的拟合一条直线,最终导致拟合数据原创 2021-05-29 14:05:08 · 249 阅读 · 0 评论 -
机器学习03-分类问题
之前我们有提到邮箱里垃圾邮件分类、肿瘤分类,就是分类问题的一种,是两类分类问题。在这些问题中,我们可以尝试预测的变量y是有两个取值的变量,0或1,就等于垃圾、不垃圾,恶性、良性,通常0表示负类、1表示正类。通常1是代表我们需要寻找的东西。假设我们现在有一个给定的训练集,图示如下:如果我们用直线去拟合它,我们可能会得到下面的图:门槛(分界线)设在0.5,如果小于0.5,则等于0,大于0.5,则等于1。用直线设置下图看似很合理,假如我们有另一个训练样本位于右边处,如下:而我们拟合出来的线就会发原创 2021-05-27 23:15:39 · 681 阅读 · 0 评论 -
机器学习02-多元梯度下降+正规方程
由于线性代数的知识我比较的熟悉,因此视频中有讲到线性代数的一些基本用法我就不再做笔记了,如果接下来的笔记有关线性代数不懂的地方,可以自己去看看相关视频。一开始,我们的训练集是(xi,yi)的,假设函数是一条直线,如图:而这章,我们将学习到多特征和多元的回归方程。首先我们先看多特征的例子:这次我们不止一个特征,而是有4个特征,包括面积x1、房间数x2、楼层数x3、房龄x4。通过4个特征得出来的房价y。这里再引入一些符号:n 表示特征的数量x^(i) 表示第i个训练样本的输入特征值\特征向量原创 2021-05-25 11:53:14 · 179 阅读 · 0 评论 -
机器学习01-介绍+线性回归算法
本博文是根据吴恩达的机器学习教学视频所整理的一些学习笔记,有兴趣可以相互讨论相互学习,有错误的地方也希望大家可以指出。对机器学习的定义:Arthur Samuel认为,在没有明确设置的情况下,是计算机具有学习能力的研究领域tom Mitchel认为,计算机程序从经验E中学习,解决某一任务T,进行某一性能度量P,通过P测定在T上的表现因经验E而提高。例1,任务T是玩跳棋,性能度量P就是与新对手玩跳棋时赢的概率例2,给邮件分类是任务T,观察你是否把你的邮件记为垃圾邮件为经验E,正确归类邮件的比例为性能原创 2021-05-10 17:37:14 · 196 阅读 · 0 评论