CXY819394的博客

学习记录#梯度下降和反向传播是机器学习和深度学习中非常重要的两个概念，尤其是在训练神经网络时。今天我们来总结一下。

学习笔记#

学习总结#模型训练好之后，对其进行评价是十分必要的。对于回归模型的性能评价，主要是通过衡量模型预测值与实际值之间的差异来实现的。

学习笔记#线性回归模型是机器学习的入门经典模型多元线性回归模型的原理是什么，今天来梳理一下，文章末尾复现sklearn中的LinearRegression。

1.1 欠拟合欠拟合发生时，模型在训练集上的表现并不理想。这意味着模型的预测值与实际值之间存在较大的误差。简而言之，模型未能有效学习到数据中的关键模式。通常，欠拟合是由于模型过于简单所致。当模型没有足够的参数或者考虑的特征太少时，它就难以捕捉数据中复杂的结构和关系。解决方案:选择更复杂的模型可以帮助模型更好地学习和理解数据的特点。包括新增的或者已有相关特征，可以增强模型的学习能力。通过创建新特征，如多项式扩展，可以提供更多的信息，帮助模型学习。

正则化是一种在损失函数中加入额外惩罚项的技术，旨在限制模型参数的大小，减少模型复杂度。这种额外的惩罚项，也称为正则项，有助于降低过拟合的风险。