机器学习算法基本步骤:
1. 读取数据
训练数据,
测试数据,测试标签 (无监督时没有)
2. 找寻特征
强化特征:卷积核,池化
统计特征:频谱直方图
3. 拟合特征
距离回归,逻辑回归(归一,激活),
线性回归(一元,多元) ,
神经网络拟合
4. 调整算法参数:
调整k值 ,
调整线性斜率(n元参数对应n个斜率),
调整权重(可以理解为权重是在矩阵中的斜率)
5. 分析误差
(只针对分类算法也就是有监督学习算法)
距离测量: 欧式距离,曼哈顿距离,切比雪夫距离 等
梯度测量: 求导
6. 误差补偿:
修改 矩阵权重,
修改 k值,
修改 向量斜率
修改 常参:
梯度反向传播算法
7. 逼近算法参数:
求最佳权重矩阵,
求最佳k值