![](https://img-blog.csdnimg.cn/20201014180756928.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器学习实战
算法星球
算法
展开
-
监督学习,半监督学习,无监督学习的区别是什么
但是,半监督学习可能不如监督学习和无监督学习精确。通常来说,如果有大量的标记数据,则监督学习可能是最好的选择,如果有部分有标记的数据和部分未标记的数据,则半监督学习可能是最好的选择,如果没有标记数据,则无监督学习可能是最好的选择。监督学习是机器学习的一种方法,它的目的是在给定的输入和输出数据集中训练模型,使模型能够根据新的输入数据预测期望的输出。总的来说,监督学习需要有标签的数据集来训练模型,半监督学习则在部分有标签的数据集和部分未标记的数据集之间进行训练,而无监督学习则在没有任何标签的数据集中进行训练。原创 2023-01-04 15:24:06 · 613 阅读 · 0 评论 -
热度能做成监督学习吗?为什么热度不能做成监督学习?
如果模型在训练集上表现优异,但在测试集或新数据上表现不佳,则可能是过拟合导致的。通过对训练数据进行旋转、缩放、平移等操作,可以增加训练数据的数量和多样性,从而提高模型的泛化能力。通过增加模型的宽度或深度,或者通过减少模型的层数,可以改变模型的复杂度,从而防止过拟合。调整超参数,例如学习率、batch size 等,可以控制模型的收敛速度,从而防止过拟合。过拟合的模型通常包含大量参数,而这些参数主要用于拟合训练数据,并不能很好地泛化到新数据上。更多的训练数据可以提高模型的泛化能力,并降低过拟合的风险。原创 2023-01-04 14:58:45 · 122 阅读 · 0 评论 -
怎么判断tensorflow模型是否过拟合
如果模型在训练集上表现优异,但在测试集或新数据上表现不佳,则可能是过拟合导致的。通过对训练数据进行旋转、缩放、平移等操作,可以增加训练数据的数量和多样性,从而提高模型的泛化能力。通过增加模型的宽度或深度,或者通过减少模型的层数,可以改变模型的复杂度,从而防止过拟合。调整超参数,例如学习率、batch size 等,可以控制模型的收敛速度,从而防止过拟合。过拟合的模型通常包含大量参数,而这些参数主要用于拟合训练数据,并不能很好地泛化到新数据上。更多的训练数据可以提高模型的泛化能力,并降低过拟合的风险。原创 2022-12-15 23:57:28 · 267 阅读 · 0 评论 -
【无标题】
1.模型过拟合:如果模型在训练集上表现良好,但在测试集或新数据上表现不佳,则可能是由于模型过拟合导致的。4.数据不够:如果训练数据不足,模型可能无法学习到足够的信息来更新参数,从而导致 loss 不再变化。3.梯度消失或爆炸:如果模型使用了深度神经网络,梯度消失或爆炸也可能导致模型无法收敛。2.学习率过大或过小:学习率过大会导致模型无法收敛,而过小则会导致模型训练过慢。e.使用更多层或更大的模型,以便模型能够学习到更多的信息。tensorflow训练模型loss不变化的可能原因。b.调整学习率,使其适中。原创 2022-12-15 23:29:01 · 86 阅读 · 0 评论 -
机器学习实战 - 第4章 基于概率论的分类方法:朴素贝叶斯
一、基于贝叶斯决策理论的分类方法朴素贝叶斯的优点:在数据较少的情况下仍然有效,可以处理多类别问题。缺点:对于输入数据的准备方式较为敏感。使用数据类型:标称型数据(一般在有限的数据中取,而且只存在是和否两种不同的结果)。朴素贝叶斯是贝叶斯决策理论的一部分。贝叶斯决策理论:假设有一个数据集,它由两类数据组成,在判断具体数据属于哪个类别时,会选择高概率对应的类别。这就是贝叶斯决策理论的核心思想,即选择具有最高概率的决策。贝叶斯使用先验知识和逻辑推理来处理不确定性命题。频数概率:它只从数据本身获得结论,并原创 2020-11-24 14:51:48 · 483 阅读 · 0 评论