机器学习 - 随笔分类(第2页) - 未完代码

神经网络入门——9.简单神经网络

摘要：最简单的神经网络目前为止，我们接触的感知器的输出非 0 即 1，输出单元的输入经过了一个激活函数 f(h)f(h) 在此处就是指阶跃函数。最简单的神经网络目前为止，我们接触的感知器的输出非 0 即 1，输出单元的输入经过了一个激活函数 f(h)f(h) 在此处就是指阶跃函数。最简单的神经网络阅读全文

posted @ 2018-04-24 11:22 未完代码阅读(1222) 评论(0) 推荐(0)

神经网络入门——8XOR感知器

摘要：XOR 感知器 XOR 感知器 XOR 感知器 XOR 感知器 XOR 感知器 XOR 感知器就是一个这样的逻辑门：输入相同返回 0 ，输入不同返回 1。与之前的感知器不同，这里并不是线性可分的。要处理这类较为复杂的问题，我们需要把感知器连接起来。我们用 AND、NOT 和 OR 感知器来创建一个阅读全文

posted @ 2018-04-24 11:10 未完代码阅读(3319) 评论(0) 推荐(0)

神经网络入门——7or 感知器

摘要：OR 感知器 OR 感知器与 AND 感知器很类似，在下图中，OR 感知器与 AND 感知器有相同的分割线，只是 OR 感知器分割线下移了一段距离。对权重或者偏置做怎样的设置可以实现这个效果？用下面的 AND 感知器来创建一个 OR 感知器。 OR 感知器 OR 感知器与 AND 感知器很类似，在下阅读全文

posted @ 2018-04-24 11:08 未完代码阅读(779) 评论(0) 推荐(0)

神经网络入门——6and感知机

摘要：AND 感知器练习 AND 感知器练习 AND 感知器练习 AND 感知器练习 AND 感知器练习 AND 感知器的权重和偏置项是什么？把权重（weight1, weight2）和偏置项 bias 设置成正确的值，使得 AND 可以实现上图中的运算。 AND 感知器的权重和偏置项是什么？把权重（阅读全文

posted @ 2018-04-24 11:05 未完代码阅读(283) 评论(0) 推荐(0)

神经网络入门——5感知机

摘要：感知器 Perceptron 现在你看到了一个简单的神经网络如何做决策：输入数据，处理信息，然后给出一个结果作为输出！现在让我们深入这个大学录取的案例，来学习更多输入数据如何被处理。数据，无论是考试成绩还是评级，被输入到一个相互连接的节点网络中。这些独立的节点被称作感知器或者神经元。它们是构成神阅读全文

posted @ 2018-04-24 11:03 未完代码阅读(402) 评论(0) 推荐(0)

机器学习基础—集成学习Bagging 和 Boosting

摘要：集成学习就是不断的通过数据子集形成新的规则，然后将这些规则合并。bagging和boosting都属于集成学习。集成学习的核心思想是通过训练形成多个分类器，然后将这些分类器进行组合。所以归结为（1）训练样本数据如何选取？（2）分类器如何合并？一、bagging bagging 通过将全部数据阅读全文

posted @ 2018-03-15 14:29 未完代码阅读(512) 评论(0) 推荐(0)

UDA机器学习基础—评估指标

摘要：这里举例说明混淆矩阵精确率召回率 F1 阅读全文

posted @ 2018-03-07 11:35 未完代码阅读(217) 评论(0) 推荐(0)

UDA机器学习基础—误差原因

摘要：1.模型误差产生的原因（1）模型无法表示基本数据的复杂度，而造成偏差。（2）因模型对训练它所用到的数据过度敏感造成的方差。 2.由偏差造成的误差——准确率和欠拟合有足够数据表示模型，但是由于模型不够复杂，不能捕捉基本关系，因而造成误差。这样一来模型会系统的错误表示数据，从而导致准确率降低，这阅读全文

posted @ 2018-03-06 17:29 未完代码阅读(378) 评论(0) 推荐(0)

UDA机器学习基础—交叉验证

摘要：交叉验证的目的是为了有在训练集中有更多的数据点，以获得最佳的学习效果，同时也希望有跟多的测试集数据来获得最佳验证。交叉验证的要点是将训练数据平分到k个容器中，在k折交叉验证中，将运行k次单独的试验，每一次试验中，你将挑选k个训练集中的一个作为验证集，剩下k-1个作为训练集，训练你的模型，用测试集测试阅读全文

posted @ 2018-03-06 10:39 未完代码阅读(267) 评论(0) 推荐(0)

UDA机器学习基础—异常值-安然数据处理

摘要：#!/usr/bin/python import pickle import sys import matplotlib.pyplot sys.path.append("../tools/") from feature_format import featureFormat, targetFeatureSplit ### read in data dictionary, convert t... 阅读全文

posted @ 2018-03-06 10:02 未完代码阅读(656) 评论(0) 推荐(0)

用梯度下降算法求最值

摘要：1.梯度方向对多元函数的参数求偏导，得到函数增加或减小最快的方向。具体来说，对于函数f(x,y),在点(x0,y0)，沿着梯度向量的方向就是(∂f/∂x0, ∂f/∂y0)T的方向是f(x,y)增加最快的地方。 2.梯度下降算法过程如下：（1）随机初始值a0；（2）迭代ak+1=ak+skak 阅读全文

posted @ 2017-12-18 12:30 未完代码阅读(416) 评论(0) 推荐(0)

随笔分类 - 机器学习