![](https://img-blog.csdnimg.cn/20201014180756928.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
Machine Learning
小蝌蚪加油啊
新手,求指导~~
展开
-
维度灾难6问?
1.特征越多,分类效果越好?事实证明,特征数量达到某一个阈值时,分类效果会越来越低。-----引出维度灾难2.维度灾难造成的直接后果?过拟合。3.为什么会造成过拟合?往往,较少的特征不足以很好拟合本身的数据(不能达到很好的分类效果),所以想要增加特征。但是,随着特征维度的增加,训练样本在特征空间的密度会呈指数型下降,整个特征空间维度增加会变得越来越稀疏。由于稀疏性,...原创 2019-11-28 22:24:26 · 551 阅读 · 0 评论 -
贝叶斯算法的原理及简单实现
转载自:https://blog.csdn.net/weixin_41988628/article/details/80383959原创 2019-11-17 21:07:17 · 406 阅读 · 0 评论 -
机器学习—为什么在神经网络中Relu激活函数会比Sigmoid激活函数用的更多?
问题一:为什么引入非线性激励函数?如果不用激励函数(其实相当于激励函数是f(x) = x),在这种情况下你每一层输出都是上层输入的线性函数,很容易验证,无论你神经网络有多少层,输出都是输入的线性组合,与只有一个隐藏层效果相当,这种情况就是多层感知机(MLP)了。问题二:为什么引入Relu呢?(1)采用sigmoid等函数,反向传播求误差梯度时,求导计算量很大,而Relu求导非常容易。...原创 2019-09-30 21:32:30 · 344 阅读 · 0 评论 -
机器学习—解释什么是降维,在哪里会用到降维,它的好处是什么?
问题一:什么是降维?降维是指通过保留一些比较重要的特征,去除一些冗余的特征,减少数据特征的维度。而特征的重要性取决于该特征能够表达多少数据集的信息,也取决于使用什么方法进行降维。一般情况会先使用线性的降维方法再使用非线性的降维方法,通过结果去判断哪种方法比较合适。问题二:在哪里用到降维? 1)特征维度过大,可能会导致过拟合时 2)某些样本数据不足的情况(缺失值很多) ...原创 2019-09-30 21:49:44 · 16819 阅读 · 0 评论 -
梯度下降法--多元线性回归
import numpy as npimport matplotlib.pyplot as plt from mpl_toolkits.mplot3d import Axes3D #画3d图像#读入数据、切分数据data = np.genfromtxt('Delivery.csv',delimiter=',')x_data = data[:,:-1] #只有最后一列不取y...原创 2019-03-25 22:46:04 · 308 阅读 · 0 评论 -
机器学习—数据平滑
问题:为什么进行平滑?数据平滑是数据预处理中比较重要的一块,但是往往会忽略它。数据平滑通常对噪声这一块进行处理,平滑的本质就是用来解决零概率问题,尽量使概率分布趋于均匀,使数据变得更可用。下面介绍几种自己总结的数据平滑的方法:1.分箱法平滑首先进行数据排序,将他们分到等宽的箱中(既是分成几部分),然后按照箱中数据的平均值(中值等)进行平滑。2.回归法平滑通过数据找到一个回归...原创 2019-10-03 18:06:21 · 9894 阅读 · 0 评论