摘要：
机器学习中线性模型和非线性的区别 一、总结 一句话总结： 1)、线性和非线性的区别是是否可以用直线将样本划分开(这个观点是对的) 2)、线性模型可以是用曲线拟合样本，但是分类的决策边界一定是直线的，例如logistics模型 3)、区分是否为线性模型，主要是看一个乘法式子中自变量x前的系数w,如果w 阅读全文
posted @ 2020-09-22 22:13
范仁义
阅读(2925)
评论(0)
推荐(0)
摘要：
神经网络激励函数的作用是什么 一、总结 一句话总结： sigmoid激活函数可以引入非线性因素，让模型学习到一个分类平面，得到一个非线性的决策边界，如下图 二、机器学习中线性函数与非线性函数的区别 转自或参考：机器学习中线性函数与非线性函数的区别http://blog.csdn.net/WONITA 阅读全文
posted @ 2020-09-22 21:03
范仁义
阅读(249)
评论(0)
推荐(0)
摘要：
深度学习中，交叉熵损失函数为什么优于均方差损失函数 一、总结 一句话总结： A)、原因在于交叉熵函数配合输出层的激活函数如sigmoid或softmax函数能更快地加速深度学习的训练速度 B)、因为反向传播过程中交叉熵损失函数得到的结果更加简洁，无论sigmoid或softmax，可以定量分析。 1 阅读全文
posted @ 2020-09-22 20:23
范仁义
阅读(1694)
评论(0)
推荐(0)
摘要：
偏差和方差 一、总结 一句话总结： 偏差（bias）：偏差衡量了模型的预测值与实际值之间的偏离关系。 方差（variance）：方差描述的是训练数据在不同迭代阶段的训练模型中，预测值的变化波动情况（或称之为离散情况）。 1、偏差和方差对应的实际情况实例？ [一]、低偏差，低方差：这是训练的理想模型， 阅读全文
posted @ 2020-09-22 11:49
范仁义
阅读(2612)
评论(0)
推荐(0)
摘要：
Keras中图像增强技术详解 一、总结 一句话总结： 在Keras中使用图像增强技术，对图片可以进行各种操作，以生成数倍于原图片的增强图片集。这些数据集可帮助我们有效地对抗过拟合问题，更好地生成理想的模型。 1、数据量少带来的最直接影响就是过拟合。那有没有办法在现有少量数据基础上，降低或解决过拟合问 阅读全文
posted @ 2020-09-22 11:44
范仁义
阅读(657)
评论(0)
推荐(0)
浙公网安备 33010602011771号