- 博客(6)
- 收藏
- 关注
RSS订阅原创 吃瓜笔记（第六章）
需要注意的是，r越大，高斯图形越窄，模型复杂度越高，容易导致过拟合，r越小，高斯图形越宽，模型复杂度越低，容易导致欠拟合，因此应当选择一个合适的~值，从而平衡模型的复杂度和对新数据的预测能力。在实际应用过程中，我们的样本会有一定数量的噪声和异常值，如果模型不能够很好的容错，就会影响结果，因此引入软间隔优化，软间隔允许部分样本不满足约束条件，但会引入一个惩罚项来最小化噪声的影响。机器学习的第六章，支持向量机。主要想要记录的是支持向量机的算法原理，间隔优化，拉格朗日乘子法，对偶函数的优点，核函数。
2023-12-27 21:49:35
409
1
原创 吃瓜笔记（第五章神经网络）
其中理想的激活函数是阶跃函数，因为它不平滑不连续，所以实际应用中使用sigmoid函数，因为它可能将较大范围内的输入值挤压到0-1的输出范围内，所以也称为“挤压函数”。神经网络是由具有适应性的简单单元组成的广泛并行互连的网络，它的组织能够模拟生物神经系统对真实世界物体所作出的交互反应。当神经元兴奋时，会向相连的神经元发送化学物质，从而改变这些神经元的电位。对于单层感知机，只能解决线性问题，比如：与，或，非。M-P神经元模型的组成部分是输入值，连接权重，阈值，输出值。隐含层：输入层和输出层之间的层。
2023-12-24 20:12:22
358
原创 吃瓜笔记（第四章 决策树）
缺失值的处理：需要解决两个问题，在属性值缺失的情况下怎么进行划分属性选择？给定了划分属性，若样本在该属性上的值缺失，如何对样本划分？由于决策树在划分节点的过程中不断产生分支，分支过多会产生过拟合，所以需要减去分支。预剪枝是指在决策树生成过程中，对每个结点在划分前进行评估，再决定需不需要划分。决策树学习的目的是：产生一棵泛化能力强的决策树，流程遵循“分而治之”的策略。PS：一般情况下，根节点包含所有样本数据，越往下划分样本越少，纯度越高。决策树的生成是对训练集中的样本进行划分，划分的属性应是最优划分属性。
2023-12-21 14:11:50
435
原创 吃瓜学习笔记（第三章）
自我感觉看的比较浅，但基本思想基本了解，与第二章模型的评估和选择结合，我认为线性回归问题在生活中比较少见，但它其中蕴含的思维很深刻。多元线性回归：是由一元线性回归的更一般情况，数据集中的样本由d个属性描述，因此可以将w和b写成向量形式：w = （w，b）。今天第一次接触机器学习的数学知识，显得无所适从，看的脑袋发懵，只学习了一元线性回归，今天着重谈一谈我对一元线性回归的理解。线性回归问题分为两种，一种是一元线性回归，一种是多元线性回归。线性回归：在相同的x下，y-y‘的距离。其中w*，b*表示w，b的解。
2023-12-18 15:43:38
411
1
原创 吃瓜笔记（第二章 模型评估与选择）
总结：第二章讲述了怎么评估模型，怎么选择模型，介绍了模型的性能度量，从训练模型到预测结果，再到性能度量。交叉验证法：将数据集D划分为k个大小相似的互斥子集（每个子集都是从D中分层采样得到），每次都用k-1个子集的并集作为训练集，剩下的一个子集作为测试集。第二步，将训练集划分出训练集和验证集，用验证集的结果调参，随后并进训练集，再调参，最后并入测试集，得出最后参数。自助法：从数据集中随机可重复采样（采样后放回D），重复操作m次，得到包含m个样本的数据集D'，将D'作为训练集，D- D' 作为测试集。
2023-12-12 16:54:53
361
原创 吃瓜学习笔记（绪论）
通过今天的学习，我了解到了机器学习的概念和定义，作者讲述人工智能发展的历程，从基本概念入手，从简单易懂的例子引入，让我有了深入的理解。在处理实际问题中，一个有效的机器学习算法一定有其归纳偏好，倘若没有归纳偏好，在多次使用模型过程中，一会说结果正确，一会说结果不好，这样的模型是无效的，没有任何意义的。机器学习是计算机人工智能领域的一门分支学科，它主要研究通过学习算法，从经验数据中得到模型（从数据中学到的结果），使得让机器拥有类似于人类的学习能力，实现对数据的分析和有效决策。五、标记、聚类、学习任务的分类。
2023-12-11 16:38:49
469
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人