关注
分享
文章平均质量分 71
机器学习（Machine Learning, ML）是人工智能（AI）的一个分支，旨在通过算法和统计模型使计算机能够从数据中学习并进行预测或决策。机器学习技术广泛应用于图像识别、语音识别、推荐系统、金融分析等多个领域。
好好学习Py
学习之路漫长无边
展开
-
机器学习中的L1正则与L2正则
为了避免模型过拟合，不仅可以依赖算法本身的优化，还可以通过精心选择和处理特征来提升模型的泛化能力。L1正则化会使得较多的参数为0，从而产生稀疏解,可以将0对应的特征遗弃，进而用来选择特征。L2正则化可以减小特征的权重，在代价函数后加入一个正则项。原创 2024-07-14 00:27:14 · 161 阅读 · 0 评论 -
机器学习中的欠拟合和过拟合
测试集和训练集上 的均方误差随着模型复杂度提高而减小，拟合效果越好，但在很多高次项加入时出现了过拟合。高次多项式回归训练集均方误差: 0.9992。高次多项式回归测试集均方误差: 1.4146。一次回归训练集均方误差: 3.0496。一次回归测试集均方误差: 3.1531。二次回归训练集均方误差: 1.0951。二次回归测试集均方误差: 1.1119。原创 2024-07-13 23:49:57 · 182 阅读 · 0 评论 -
机器学习的基本概述
是人工智能的一个分支, 深度学习是实现机器学习的一种技术。机器学习研究的是如何让计算机模拟人类学习，通过大量数据发现规律、提取知识，并不断改进自身能力。它是机器获取知识的关键途径，赋予计算机类似人类的学习能力，以实现人工智能的目标。机器学习模型 = 数据 + 机器学习算法机器学习的数据集描述：学习机器学习的两个重要目的：利用机器学习对数据进行价值化提取；实现数据的预测和规范性分析。原创 2024-07-12 19:29:11 · 330 阅读 · 0 评论 -
机器学习中的标准化和归一化
标准化和归一化是两种常用的数据预处理技术。它们用于将数据缩放到一个特定的范围，以提高机器学习模型的性能。原创 2024-07-11 19:13:26 · 568 阅读 · 0 评论