Lomo的博客

def pad_and_cut(data, length): """填充或截断一维numpy到固定的长度""" # 将2维ndarray填充和截断到固定长度 n = len(data) for i in range(n): if len(data[i]) < length: # 进行填充 data[i] = np.pad(data[i], pad_width=(0,length-len(data[i])))

1. 概率分布与随机变量1.1 机器学习为什么要使⽤概率事件的概率是衡量该事件发⽣的可能性的量度。虽然在⼀次随机试验中某个事件的发⽣是带有偶然性的，但那些可在相同条件下⼤量重复的随机试验却往往呈现出明显的数量规律。机器学习除了处理不确定量，也需处理随机量。不确定性和随机性可能来⾃多个⽅⾯，使⽤概率论来量化不确定性。概率论在机器学习中扮演着⼀个核⼼⾓⾊，因为机器学习算法的设计通常依赖于对数据的概率假设。例如：在机器学习中，朴素贝叶斯假设就是条件独⽴的⼀个例⼦。该学习算法对内容做出假设，⽤来分辨电⼦邮

一、了解机器学习1.1 什么是机器学习？感觉文章学习文档总结的很精炼也特别容易理解：机器学习的一个重要的目标就是利用数学模型来理解数据，发现数据中的规律，用作数据的分析和预测。数据通常是由向量组成。我们用xix_ixi​来表示一个样本，其中i=1,2,3,...,Ni=1,2,3,...,Ni=1,2,3,...,N,共N个样本，每个样本xi=(xi1,xi2,...,xip,yi)x_i=(x_{i1},x_{i2},...,x_{ip},y_i)xi​=(xi1​,xi2​,...,xip​,y

import tensorflow as tfmnist = tf.keras.datasets.mnist(x_train, y_train),(x_test, y_test) = mnist.load_data()x_train, x_test = x_train / 255.0, x_test / 255.0def create_model(): return tf.keras.models.Sequential([ tf.keras.layers.Flatte

工具pydot_ng注意:如果是安装pydot而不是pydot_ng，哪怕安装成功graphviz还是会报错:IMPORTERROR : FAILED TO IMPORT PYDOT. YOU MUST INSTALL PYDOT AND GRAPHVIZ FOR PYDOTPRINT TO WORK.# 直接使用pip安装pip install pydot_nggraphviz# 不能直接pip，从下面网站下载，下载之后一直点击next，之后添加到环境变量中去https://ww

添加网络层在网络层中不需要定义额外的输入特征数，比如第二个网络层只有输出特征数为32，第3个单元输出为1模型设置模型训练过程可视化可以在网络层后使用dropout防止过拟合模型评估模型回调在训练过程中将参数保存模型恢复模型评估查看日志文件查看运行图以及损失函数变化等参考链接：keras构建神经网络模型，以泰坦尼克号存活率预测为例...

先验概率：事件发生前的预判概率。可以是基于历史数据的统计，可以由背景常识得出，也可以是人的主观观点给出。一般都是单独事件概率，如P(x),P(y)。后验概率：事件发生后求的反向条件概率；或者说，基于先验概率求得的反向条件概率。概率形式与条件概率相同。条件概率：条件概率是指事件A在另外一个事件B已经发生条件下的发生概率。条件概率表示为：P（A|B），读作“在B的条件下A的概率”。数学期望：试验中每次可能结果的概率乘以其结果的总和，是最基本的数学特征之一。它反映随机变量平均取值的大小。似然函数：似然则.

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。 ...

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。 ...