ArrogantT的博客

BP神经网络（不调库）首先设定数据集（我设置的是50*50）：import numpy as np# x为50行50列(-1,1)的随机浮点数np.random.seed(1)X = 2*np.random.random((50,50))-1# y为50行1列的只含0，1的矩阵y = np.random.randint(0,2,(50,1))然后随机初始化权值w（我没有加偏置b，也可以添加）：np.random.seed(2)w0_1 = np.random.randn(50,100

回归和分类的区别和联系：●区别:分类:使用训练集推断输入x所对应的离散类别(如: +1, -1)。回归:使用训练集推断输入x所对应的输出值，为连续实数。●联系:利用回归模型进行分类:可将回归模型的输出离散化以进行分类，即y = sign(f(x))。利用分类模型进行回归:也可利用分类模型的特点，输出其连续化的数值。线性模型：●狭义线性(linear)模型:通常指自变量与因变量之间按比例、成直线的关系，在数学上可理解为-阶导数为常数的函数，如y= θ"x;线性通常表现为一次曲线

2.1特征工程引自知乎:“数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已。”自动分词就是将用自然语言书写的文章、句段经计算机处理后，以词为单位给以输出，为后续加工处理提供先决条件。词根提取(stemming) :是抽取词的词干或词根形式(不一-定能够表达完整语义)。词形还原(lemmatization) :是把词汇还原为一般形式(能表达完整语义)。如将“drove"处理为“drive"。词性标注( part-of-speech tagging) :是指为分词结果中的每个单词标

1.4回归问题及其性能评价回归分析(regression analysis)是确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。与分类问题不同，回归通常输出为一个实数数值。而分类的输出通常为若干指定的类别标签。回归性能度量方法平均绝对误差MAEMAE (Mean absolute error)是绝对误差损失(absolute error loss)的期望值。如果y^是第i个样本的预测值, yi是相应的真实值，那么在n samples个测试样本上的平均绝对误差(MAE) 的定义如下:

1.1深度学习的引出机器学习(Machine Lerning) 是对研究问题进行模型假设，利用计算机从训练数据中学习得到模型参数。并最终对数据进行预测和分析的一门学科。从简单线性分类器到深度学习(一)问题:根据繁华程度(x1)、交通便利度(x2)、与市中心距离(x3)、楼层(x4 )预测房价的高低（x1-x4为输入，w为各个输入的权重）:则可以写出如下表达式：从简单线性分类器到深度学习(二)加入中间层（隐藏层）（U为中间层与输入层对应的权重，h为输出层与中间层对应的权重）：深度学习网