model trainning 模型训练

最新推荐文章于 2025-02-15 08:30:00 发布

lbywyj

最新推荐文章于 2025-02-15 08:30:00 发布

阅读量3.1k

点赞数

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。

本文链接：https://blog.youkuaiyun.com/lbywyj/article/details/93064545

版权

本文介绍了线性回归、Ridge回归、Lasso回归和StochasticNet，包括它们的定义、优缺点及应用场景。线性回归简单易用，但对异常值敏感；Ridge回归适合高共线性，Lasso回归能做特征选择；StochasticNet结合两者优点。在选择使用时，需根据数据集特性和需求进行权衡。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

学习笔记

模型的理解，构建、神经网络的训练

使用封闭方程来求解,获得模型在当前训练集上最优的参数==》在训练集上使得损失函数达到最小值时模型的参数

使用迭代优化的方法，梯度下降（GD），在训练集上，逐渐的调整模型参数，而获得最小的损失函数，最终参数收敛到和封闭方程求解一样得到相同的值。

批量梯度下降(Batch GD),随机地图下降（Stochastic GD）、小批量梯度下降（Mini-batch GD）（此三个在后面的神经网络里会经常用到）

复杂模型—》多项式回归，可以拟合非线性数据集：过拟合（参数较多会造成），学习曲线判断是否过拟合，正则化减少过拟合

逻辑回归（Logistic）、softmax回归(多类别回归)

线性回归的理解：

线性回归预测模型的一般化公式： $\widehat{y}$ = $\theta _{}0$ + $\theta _{}1$ $X_{}1$ + $\theta _{}2$ $X_{}2$ +...+ $\theta _{}n$ $X_{}n$

$\widehat{y}$ ：预测结果；

N：特征个数；

Xi：第i个特征值；

$\theta$ j：第j个参数（ $\theta _{}0$ ：偏置项； $\theta _{}1$ 、 $\theta _{}2$ ... $\theta _{}n$ ：特征权重值）

线性回归预测模型的一般公式可简化为： $\widehat{y}$ =h( $\theta$ )= $^{}$ $\theta ^{}T$ $\cdot$ X

最低0.47元/天解锁文章

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。