keras可以处理问题类型:{分类问题、回归问题、损失函数}
- 什么是分类问题:
用于多元分类(一般大于三类),预测的是类别,模型输出是概率分布,选择概率最大那个作为分类结果。 - 什么是回归问题:
回归问题预测的是值,模型输出是一个实数值(例如房价预测)
-目标函数
-为什么需要目标函数?
1.函数参数是逐步调整的,不是一蹴而就
2.目标函数可以帮助衡量模型好坏(不同模型可以对比输出)
-对于分类问题,目标函数作用
1.需要衡量目标类别与当前预测的差距如(【0.2,0.7,0.1】)
真实类别为2-——>one hot -->[0,0,1]
##one hot编码是将正整数序列变成向量形式进行表达,只有正整数位为1 其他位置为0
-对于分类问题,损失函数一般这两种
1.平方差损失:
2.交叉熵损失
—回归问题的目标函数
主要代表了预测值和真实值的差距,一般比较常见的是
{平方差损失和绝对值损失}
机器学习的意义就是训练模型,不断调整参数,使得目标函数(损失函数) 逐渐减少的过程。
理论部分暂时结束,接下来实战代码!