- 博客(3)
- 收藏
- 关注
原创 关于线性回归的小结
在训练线性回归模型后,需要使用一些评估指标来衡量模型的性能。常用的评估指标包括均方误差(Mean Squared Error,MSE)、均方根误差(Root Mean Squared Error,RMSE)、平均绝对误差(Mean Absolute Error,MAE)等,这些指标可以帮助我们了解模型的预测准确度。其中,( y ) 是因变量,( x_1, x_2, ..., x_n ) 是自变量(特征),( w_0, w_1, w_2, ..., w_n ) 是模型的参数(权重)。
2024-03-25 10:25:37
604
1
原创 深度学习——损失函数你认识几种?
选择合适的损失函数可以帮助模型更好地学习数据的特征和模式,提高模型的性能和泛化能力。在训练过程中,模型的目标是最小化损失函数的值,以使模型的预测结果尽可能接近真实标签。这些损失函数在不同的深度学习任务中发挥着重要作用,根据具体的任务需求和模型设计,选择适合的损失函数可以帮助模型更好地学习和泛化。:结合了softmax交叉熵损失和样本嵌入的中心损失,用于增强深度学习模型对类内差异的敏感性。:适用于分类任务,特别是多分类问题,帮助衡量模型输出的概率分布与真实标签之间的差异。
2024-03-11 10:31:44
1178
原创 简述深度学习
深度学习在计算机视觉、自然语言处理和语音识别等领域取得了很大的成功,它能够处理大规模和复杂的数据,并从中学习到更加准确的模式和规律。需要大量的时间和精力进行调试和优化:深度学习模型的训练和调试需要大量的时间和精力,也需要对模型进行不断的优化和改进。模型可解释性较差:由于深度学习模型的复杂性,其内部结构和决策过程难以解释,这也给模型的应用和调试带来了一定的困难。训练需要大量的数据和计算资源:深度学习模型需要大量的数据进行训练,并且训练过程需要大量的计算资源,例如GPU等。
2024-03-03 23:20:05
1468
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人
RSS订阅