机器学习-吴恩达
文章平均质量分 70
课后练习题目及代码
漆黑丶
帅哥
展开
-
【机器学习】偏差和方差、训练集&验证集&测试集ex5
1 正则化线性回归这一部分,我们需要先对一个水库的流出水量以及水库水位进行正则化线性归回。然后将会探讨方差-偏差的问题1.1 数据可视化1.2 正则化线性回归代价函数1.3 正则化线性回归的梯度1.4 拟合线性回归调用工具库找到θ最优解,在这个部分,我们令λ=0。因为我们现在训练的是2维的θ,所以正则化不会对这种低维的有很大的帮助。完成之后,将数据和拟合曲线可视化。2 方差和偏差机器学习中的一个重要概念是偏差-方差权衡。偏差较大的模型会欠拟合,而方差较大的模型会过拟合。这部分会让你画出原创 2021-03-24 15:17:15 · 429 阅读 · 1 评论 -
【机器学习】反向传播神经网络ex4
1 神经网络对于这个练习,我们将再次处理手写数字数据集。这次使用反向传播的前馈神经网络,自动学习神经网络的参数。1.1 数据可视化这部分和ex3里是一样的,5000张20*20像素的手写数字数据集,以及对应的数字(1-9,0对应10)1.2 模型展示1.3 前向传播和代价函数首先,实现神经网络的代价函数和梯度函数要求:你的代码应该适用于任何数据集,包括任意数量的输入输出单元代价函数对y标签进行编码一开始我们得到的y是维的向量,但我们要把他编码成的矩阵。比如说,原始,那么转化后的Y对原创 2021-03-24 09:59:26 · 180 阅读 · 0 评论 -
机器学习一些函数及算法
一些函数:np.eye(5):生成5*5对角矩阵pd.read_csv(path, header=None, names=[‘标签名1’, ‘标签名2’]):读取csv或者txt文件data.plot(kind=‘scatter’, x=‘x轴名’, y=‘y轴名’, figsize=( , )):使用plot函数绘制data图像,scatter为散点图data.insert(0, ‘Ones’, 1):在data的下标0处插入标题为Ones,值全为1的一列data.iloc[ : , : -1]原创 2021-03-23 22:03:35 · 688 阅读 · 0 评论 -
【机器学习】多类别逻辑回归、神经网络ex3
1 多分类这个部分需要你实现手写数字(0到9)的识别。你需要扩展之前的逻辑回归,并将其应用于一对多的分类。1.1 数据集这是一个MATLAB格式的.m文件,其中包含5000个20*20像素的手写字体图像,以及他对应的数字。另外,数字0的y值,对应的是10用Python读取我们需要使用SciPy1.2 数据可视化随机展示100个数据1.3 将逻辑回归向量化你将用多分类逻辑回归做一个分类器。因为现在有10个数字类别,所以你需要训练10个不同的逻辑回归分类器。为了让训练效率更高,将逻辑回归向量化是原创 2021-03-22 21:42:38 · 606 阅读 · 0 评论 -
【机器学习】Logistic回归ex2data2
题目在训练的第二部分,我们将要通过加入正则项提升逻辑回归算法。简而言之,正则化是成本函数中的一个术语,它使算法更倾向于“更简单”的模型(在这种情况下,模型将更小的系数)。这个理论助于减少过拟合,提高模型的泛化能力。这样,我们开始吧。设想你是工厂的生产主管,你有一些芯片在两次测试中的测试结果。对于这两次测试,你想决定是否芯片要被接受或抛弃。为了帮助你做出艰难的决定,你拥有过去芯片的测试数据集,从其中你可以构建一个逻辑回归模型。答案import numpy as npimport pandas as原创 2020-11-23 11:43:54 · 388 阅读 · 1 评论 -
【机器学习】Logistic回归ex2data1
题目:在这部分的练习中,你将建立一个逻辑回归模型来预测一个学生是否能进入大学。假设你是一所大学的行政管理人员,你想根据两门考试的结果,来决定每个申请人是否被录取。你有以前申请人的历史数据,可以将其用作逻辑回归训练集。对于每一个训练样本,你有申请人两次测评的分数以及录取的结果。为了完成这个预测任务,我们准备构建一个可以基于两次测试评分来评估录取可能性的分类模型。预备知识:一、标准化:数据标准化是将数据按比例缩放,使其落入到一个小的区间内,标准化后的数据可正可负,但是一般绝对值不会太大,一般是z-sco原创 2020-11-23 11:06:19 · 617 阅读 · 0 评论 -
【机器学习】线性回归ex1data2
多变量线性回归题目:卖房子,已知一系列数据,根据房屋大小和卧室数量两个特征,预测房子价钱,数据在(ex1data2.txt),计算1650平方英尺、3个卧室的房子价钱预备知识:一、归一化。特征归一化(为了使梯度下降得更方便),(x-μ)/σ, 减去平均值再除以方差。概率模型不需要归一化,因为它们不关心变量的值,而是关心变量的分布和变量之间的条件概率。像svm、线性回归之类的最优化问题就需要归一化。决策树属于前者。归一化也是提升算法应用能力的必备能力之一。二、用正规方程(解析解)直接计算θ 。原创 2020-10-28 23:23:38 · 801 阅读 · 0 评论 -
【机器学习】线性回归ex1data1
单变量线性回归题目:在本部分的练习中,您将使用一个变量实现线性回归,以预测食品卡车的利润。假设你是一家餐馆的首席执行官,正在考虑不同的城市开设一个新的分店。该连锁店已经在各个城市拥有卡车,而且你有来自城市的利润和人口数据。您希望使用这些数据来帮助您选择将哪个城市扩展到下一个城市。预备知识一、损失函数二、梯度下降代码import numpy as npimport pandas as pdimport matplotlib.pyplot as plt#导入数据,并查看path =原创 2020-10-28 20:04:14 · 991 阅读 · 0 评论