IMUDGES_XXX的博客

下面将介绍一种可用于解决任何机器学习问题的通用模板。这一模板将你在本章学到的这些概念串在一起：问题定义、评估、特征工程和解决过拟合。1.定义问题，收集数据集首先，必须定义所面对的问题。你的输入数据是什么？你要预测什么？只有拥有可用的训练数据，你才能学习预测某件事情。比如，只有同时拥有电影评论和情感标注，你才能学习对电影评论进行情感分类。因此，数据可用性通常是这一阶段的限制因素（除非你有办法付钱让人帮你收集数据）。你面对的是什么类型的问题？是二分类问题、多分类问题、标量回归问题、向量回归问

机器学习的根本问题是优化和泛化之间的对立。优化是指调节模型以在训练数据上得到最佳性能（即机器学习中的学习），而泛化是指训练好的模型在前所未见的数据上的性能好坏。机器学习的目的当然是得到良好的泛化，但你无法控制泛化，只能基于训练数据调节模型。训练开始时，优化和泛化是相关的：训练数据上的损失越小，测试数据上的损失也越小。这时的模型是欠拟合的，即仍有改进的空间，网络还没有对训练数据中所有相关模式建模。但在训练数据上迭代一定次数之后，泛化不再提高，验证指标先是不变，然后开始变差，即模型开始过拟合。这时模型开始学习

在此例中，会构建一个网络，将路透社新闻划分为 46 个互斥的主题。因为有多个类别，所以 这是多分类（multiclass classification）问题的一个例子。因为每个数据点只能划分到一个类别， 所以更具体地说，这是单标签、多分类（single-label, multiclass classification）问题的一个例 子。如果每个数据点可以划分到多个类别（主题），那它就是一个多标签、多分类（multilabel, multiclass classification）问题。

参考博客：https://blog.youkuaiyun.com/u013733326/article/details/79702148在本次学习过程中，我们的目的是：构建具有单隐藏层的2类分类神经网络。 使用具有非线性激活功能激活函数，例如tanh。 计算交叉熵损失（损失函数）。 实现向前和向后传播。提前导入软件包import numpy as npimport matplotlib...

参考博客：https://blog.youkuaiyun.com/u013733326/article/details/79767169开始过程还是和之前的一样提前导入软件包import numpy as npimport h5pyimport matplotlib.pyplot as pltimport testCasesfrom dnn_utils import sigmoid, s...

参考博客 (https://blog.youkuaiyun.com/u013733326/article/details/79847918)个人建议看他的好一些，我只是练习，过程中遇到的错误多看看原文下面评论初始化###初始化模型import numpy as npimport matplotlib.pyplot as pltimport sklearnimport sklearn.da...

参考博客：https://blog.youkuaiyun.com/u013733326/article/details/79907419如果你一直有跟随写代码也许会发现我参考博客的代码有一点点问题（也许因版本而异），你应该可以很快找出问题所在，可以用我写的做对照，学习的时候可以多看看参考博客里的公式这部分写学习内容是：mini-batch梯度下降法使用具有动量的梯度下降算法使用Adam算法主...

参考博客：https://blog.youkuaiyun.com/u013733326/article/details/79971488本博客以记录自己的学习为主，个人认为还是看我参考的博客更好话不多说，我还是直接上代码了import numpy as npimport h5pyimport matplotlib.pyplot as pltimport matplotlib.image as m...