liujing319的专栏

神经网络有时媒体炒作的很厉害，考虑到它们的使用效果，有些说法还是靠谱的，事实上到目前为止，几乎所有的神经网络创造的经济价值都基于其中一种机器学习，我们称之为“监督学习”，那是什么意思呢？        我们来看一些例子， 在监督学习中输入x，习得一个函数映射到输出y，比如我们之前看到的应用于房价预测的例子，输入房屋的一些特征，就能输出或者预测价格y。下面是一些其他的例子，这些例子中，神

上一篇博客讲述了感知器分类的学习过程，想看文章详细请点击深度学习-感知器是怎么学习分类的？这是基于离散型的感知器来分析的，就是说感知器的输出结果是1或者0，表示分类的结果，蓝色的分类代表1，红色的分类代表0，输出的结果只有0和1两种，对于感知器的学习过程，wx+b>0 则输出1，否则输出0。今天我们来说一说梯度下降，如果将学习模型的误差函数比作是一座山，那么刚开始时候误差比较大，就好比...

最近在复习深度学习，最基础的感知器是神经网络的基础组成单元，理解一下感知器分类算法是如何进行数据训练的吧！从上面的图中可以看出，上面的数据集中的点，感知器会随机画一条直线作为分隔界限，从上面图中看出，初始的分隔界限产生了两个分类错误的点，那么怎么能进一步优化这个分隔线，使得他的分类效果达到更好？对于错误分类的点，感知器是努力让分割线离得更近一点，所以感知器会适当的调整分割线的位置，使得...

整理一下前阶段复习的关于网格搜索的知识：程序及数据 请到github 上 下载GridSearch练习网格搜索是将训练集训练的一堆模型中，选取超参数的所有值（或者代表性的几个值），将这些选取的参数及值全部列出一个表格，并分别将其进行模拟，选出最优模型。上面是数据集的可视化分布图，具体代码如下：%matplotlib inlineimport pandas as pdimpo...

最近在复盘机器学习的内容，课程中最基础的例子是利用sklearn中的LogisticRegression 来进行将数据进行分类训练，并画出决策边界，这是课程中的效果图，下面来说一下我的程序：首先加载数据，练习中给的数据及有三列，x1,x2,y,x1和x2 是特征属性，y作为分类的结果，值有两种 0和1 ，所以这是二分类的问题import pandas as pdimport ...

最近在复盘udacity 的机器学习的课程，现在来整理一下关于机器学习模型的评估指标的相关知识。不同数据集采用不同的模型进行训练，会得到完全不同的效果，那么如何衡量一个模型是否适合该数据集呢？在数据集训练后可以对一些指标进行运算，观察实际的效果，进行调整参数或者更换模型等等。学习模型的评估指标常用的有几种：F-β得分（F1得分，F2得分等等，根据不同的业务实际需求来指定适合的β值），ROC...

conda update -n base conda //update最新版本的condaconda create -n xxxx python=3.6 //创建python3.5的xxxx虚拟环境conda activate xxxx //开启xxxx环境conda deactivate //关闭环境con...

         最近在复盘优达学城的机器学习项目， 重新写了一下波斯顿放假预测的项目，除了模型的选择及网格搜索进行选择参数的相关知识外，还着重复习了关于学习曲线和复杂度曲线（验证曲线）        首先学习曲线和复杂度曲线（验证曲线）的区别，学习曲线是指在参数值确定的情况下，训练集和验证集的得分情况的对比，复杂度曲线（验证集曲线）是展示某个参数在取不同值时候，训练集与测试集得分情况的对比。...

1.2 什么是神经网络        “深度学习”指的是训练神经网络，有的时候 规模很大，那么神经网络是什么呢？我们从一个房价预测的例子开始，假设有一个六间房屋的数据集已知房屋的面积，单位是平房英尺或者平方米，已知房屋价格，想要找到一个函数，根据房屋面积，预测房价的函数，如果你懂线性回归，你可能会得到这样一条直线，但是，你可能也知道，价格永远不能为负，因此，直线不太合适，它最后会让价格为负数，

上一篇我们讲了感知器和梯度下降的关联，详细请查看 感知器与梯度下降（一）今天我们来讲一下，从算法上看，感知器和梯度下降的区别和联系。从上一篇中，我们得到了误差函数的表达式：误差函数是关于权重W的函数，画一个三维的图如下，误差函数是关于权重W1和W2的函数，在某一点上误差E的梯度是对w1和w2的偏导数的矢量和的反方向（相反数），如下图右侧所示：梯度下降的算法计算过程，我们来简单...