摘要：
机器学习准备 3、模拟e^x的麦克劳林展开式 一、总结 一句话总结： 1、用麦克劳林展开式模拟函数，比如e^x，阶数越高就越接近 2、e^x=f(0)+ f′(0)x+ f″(0)x ²/ 2!+...+ fⁿ(0)x^n/n!+Rn(x)=1+x+x^2/2!+x^3/3!+...+x^n/n!+ 阅读全文
posted @ 2020-07-23 00:02
范仁义
阅读(1428)
评论(0)
推荐(0)
摘要：
机器学习准备 2、梯度下降法 实例 一、总结 一句话总结： 梯度下降法就是当前的x一步步减去梯度乘以学习速率：cur_x = cur_x - grad_cur * learning_rate def gradient_descent_1d(grad, cur_x=0.1, learning_rate 阅读全文
posted @ 2020-07-22 23:05
范仁义
阅读(633)
评论(0)
推荐(0)
摘要：
机器学习准备 1、简单线性回归（最小二乘法实例） 一、总结 一句话总结： 1、在本例中，最小二乘法就是计算损失的，就是求出w和b之后计算这对w和b对应的损失（因为本例中w和b是用公式可以求的） 2、而在tensorflow2的例子中，因为w和b是多次试探，所以每次试探的结果就是使最小二乘法对应的损失 阅读全文
posted @ 2020-07-22 14:19
范仁义
阅读(267)
评论(0)
推荐(0)
摘要：
线性回归方程如何计算a和b（y=ax+b） 一、总结 一句话总结： 线性回归方程中的a和b都是有公式求的 二、线性回归方程如何计算a和b（y=ax+b） 博客对应课程的视频位置： 阅读全文
posted @ 2020-07-21 19:44
范仁义
阅读(9696)
评论(0)
推荐(0)
摘要：
【代价函数】均方误差MSE 一、总结 一句话总结： 在线性回归问题中，常常使用MSE(Mean Squared Error)作为loss函数，而在分类问题中常常使用交叉熵作为loss函数。 1、sigmoid激活函数的问题？ a、我们可以从sigmoid激活函数的导数特性图中发现，当激活值很大的时候 阅读全文
posted @ 2020-07-21 15:29
范仁义
阅读(1871)
评论(0)
推荐(0)
摘要：
交叉熵损失函数原理详解 一、总结 一句话总结： 1、叉熵损失函数(CrossEntropy Loss)：分类问题中经常使用的一种损失函数 2、交叉熵能够衡量同一个随机变量中的两个不同概率分布的差异程度，在机器学习中就表示为真实概率分布与预测概率分布之间的差异。交叉熵的值越小，模型预测效果就越好。 3 阅读全文
posted @ 2020-07-21 15:08
范仁义
阅读(3160)
评论(0)
推荐(1)
摘要：
数学里面期望值是什么？怎么求？ 一、总结 一句话总结： 在概率论和统计学中，数学期望(mean)（或均值，亦简称期望）是试验中每次可能结果的概率乘以其结果的总和，是最基本的数学特征之一。它反映随机变量平均取值的大小。 1、数学期望实例? 筛子摇每一个值（1-6）的概率是1/6，则摇到点的期望=1*1 阅读全文
posted @ 2020-07-21 14:44
范仁义
阅读(12372)
评论(0)
推荐(0)
摘要：
tensorflow2知识总结 4、逻辑回归实例 一、总结 一句话总结： 也就是将损失函数设置为binary_crossentropy即可：model.compile(optimizer='adam',loss='binary_crossentropy',metrics=['acc']) 1、把te 阅读全文
posted @ 2020-07-21 13:49
范仁义
阅读(213)
评论(0)
推荐(0)
摘要：
tensorflow2知识总结 3、逻辑回归与交叉熵 一、总结 一句话总结： 1、逻辑回归：线性回归预测的是一个连续值，逻辑回归给出的“是”和“否”的回答 2、交叉熵：交叉熵刻画的是实际输出（概率）与期望输出（概率）的距离，也就是交叉熵的值越小，两个概率分布就越接近。 1、sigmoid函数 和 概 阅读全文
posted @ 2020-07-21 00:51
范仁义
阅读(333)
评论(0)
推荐(0)
摘要：
tensorflow2知识总结 2、多层感知器实例 一、总结 一句话总结： 1、多层感知器也就是创建的模型是多层的模型而已，其实基本架构（创建模型、训练模型、模型预测）也都是一样的 2、隐藏层：tf.keras.layers.Dense(10,input_shape=(3,),activation= 阅读全文
posted @ 2020-07-20 23:52
范仁义
阅读(318)
评论(0)
推荐(0)
浙公网安备 33010602011771号