2020年12月21日
摘要：
http://bilibili.com/video/BV184411Q7Ng?p=34 线性回归：就是找到合适的权阵，与每一个特征相乘，最后求和，得出要预测的目标值。 实际生活中，数据分布没有那么简单，并不是严格在一条直线上，所以即便使用机器学习用线性回归模型预测，也是有误差的。 注解： 红色小线段 阅读全文
摘要：
目标值：是连续型的值，在某个区间内可以取任意数值，即可以无限的划分。 离散型随机变量有取某个值的概率 连续型随机变量没有取得某个值的概率。 以下问题归类为回归问题： 注解： 西瓜好坏的例子，是把连续型的值转变为了离散的值（好、坏），是把一个回归问题转变为了一个分类问题。 回归例子： 注解： 这里的属 阅读全文
摘要：
import tensorflow as tf def myregession(): """ 自实现一个线性回归预测 :return: None """ #1. 准备数据 x 特征值，[100,1], 100个样本，1个特征 # y 目标值 ，[100] x=tf.random_normal([10 阅读全文
摘要：
注解： 线性回归就是找到合适的权重w1,w2,w3,w4,w5乘以相应的特征之后，使得第一个预测值与20接近，第二个预测值与30接近。 先不考虑5个特征，考虑一个特征的简单情况： 注解： 模型参数只有用变量定义，才会被更新 import tensorflow as tf def myregessio 阅读全文
摘要：
注解： 普通的张量，随便定义的一个tensor,是不能被训练的 import tensorflow as tf a=tf.constant([1,2,3,4,5,6]) var=tf.Variable(tf.random_normal([2,3],mean=0.0,stddev=1.0)) prin 阅读全文
摘要：
import tensorflow as tf zero=tf.zeros([3,4],tf.float32) with tf.Session() as sess: print(zero.eval()) 运行结果： [[0. 0. 0. 0.] [0. 0. 0. 0.] [0. 0. 0. 0.] 阅读全文