今日大致读完了这本书,对机器学习的概念有了基本认知,文中用到的数学知识浅显。
读完我对机器学习的基本概念有了理解,不少方法在接下来ai学习中应该也会不断涉及
回顾下我学的概念与方法
梯度下降算法:利用微分方法使得可调参数对应函数最值移动,多元参数使用偏微分
随机梯度下降算法:利用多个随机初始参数组,规避前者求到局部最优解的问题。
这两方法在cv中也碰到了
过拟合:参数过多,导致对训练数据拟合好,对检测数据拟合差的问题。
欠拟合:模型参数过少,拟合效果不佳。
解决过拟合三法:1.增加数据集 2.简化模型参数 3.正则化
正则化:引入偏正函数,减小理想的参数的值,从而减小参数对整体函数的影响。
模型评估
参数值名称:
Accuracy 精度 分类对的比总的
Precision 精确率 分类为T中真的是T的
Recall 召回率 分类为F中真的是F的
F值 有β参数 其为1时即为F1 =P与R的调和平均数
K折交叉验证:好方法,但是要选好K值
重要思维
简化式子,利用矩阵,以及定义函数时巧妙的1/2简化求导结果
梯度下降求极值
现在python基础知识不扎实,代码篇稍后过一遍
值得阅读的书,算是入门