天边一坨浮云

记录踩过的坑-sklearn

第一步，不重复抽样将原始数据随机分为 k 份。第二步，每一次挑选其中 1 份作为测试集，剩余 k-1 份作为训练集用于模型训练。第三步，重复第二步 k 次，这样每个子集都有一次机会作为测试集，其余机会作为训练集。 在每个训练集上训练后得到一个模型， 用这个模型在相应的测试集上测试，计算并保存模型的评估指标，第四步，计算 k 组测试结果的平均值作为模型精度的估计，并作为当前 k 折交叉验证下模型的性能指标。也可以专门留出测试集（不参与K折），而K折过程用于模型调优sciki...

作用：控制随机状态。原因：为什么需要用到这样一个参数random_state（随机状态）？在此先简单罗列三种情况：1、在构建模型时：forest = RandomForestClassifier(n_estimators=100, random_state=0)forest.fit(X_train, y_train)2、在生成数据集时：X, y = make_moons(n_samples=100, noise=0.25, random_state=3)3、在拆分数据集为训练集、测试

目录概念强化学习中的策略（policy)：Q-learning（Quality-learning）强化学习中的State和Observation强化学习agent分类概念奖励（reward）、代理（agent，又叫智能体）、环境（environment）、状态（state）、动作（action）强化学习中的策略（policy)：目标策略（target policy）：智能体要学习的策略行为策略（behavior policy）：智能体与环境交互的策略，即用于生成行为的

目录模型训练指标损失激活函数优化器正则化层其他模型训练编译：compile拟合：fit过拟合：overfit欠拟合：underfit随机初始化：radom initialization前向传播：foward pass小批量随机梯度下降：mini-batch stochastic gradient descent，SGD训练后的量化(post training quantizated)训练中引入量化(quantization aware

目录数据及其处理文本数据词干提取（stemming）和词形还原（lemmatization）N-gram模型音频数据确定数据集规模数据及其处理样本：sample，或输入，input预测：prediction，或输出，output目标：target，真实值类别：class标签：label真值：ground-truth，或标注，annotation训练集：training set测试集：test set数据蒸馏：data distillation

向量数据：密集连接网络图像数据：二维卷积神经网络声音数据：一维卷积神经网络（首选）或循环神经网络文本数据：一维卷积神经网络（首选）或循环神经网络时间序列数据：循环神经网络（首选）或一维卷积神经网络其他类型的序列数据：循环神经网络或一维卷积神经网络。如果数据顺序非常重要（如时间序列，但文本不是），那么首选循环神经网络视频数据：三维卷积神经网络（如果需要捕捉运动效果），或者帧级的二维神经网络（用于特征提取）+循环神经网络或一维卷积神经网络（用于处理得到的序列）立体数据：三维卷积神经网

定义问题想预测什么？有哪些数据可用？是否需要收集更多的数据？是否需要人工标注？定义评价指标寻找能够可靠评估目标成功的方法。为任务设计不同的评价指标，如针对简单任务，可以用预测精度。准备数据集准备用于评估模型的验证过程，即定义训练集、验证集、测试集。验证集和测试集的标签不应泄露到训练数据中。如针对时序预测，验证数据和测试数据的时间都应在训练数据之后。数据向量化将数据转化为向量并预处理（如标准化），使其更容易被神经网络所处理。开发模型...