qq_43163978的博客

决策树的一般流程 1.收集数据 2.准备数据：树构造算法只适用标称型数据，因此数据值型数据必须离散化 3.分析数据 4.训练算法 5.测试数据 6.使用算法 决策树的优点 1.数据形式非常容易理解 2.计算复杂度不高，输出结果易与理解，对中间值得缺失不敏感，可以处理不相关的数据 3.分类器可以通过pickle模块存储在硬盘上，节省计算时间 决策树得缺点 1.可能会产生多读匹配问题 构造决策树需要解决的问题 1.当前数据集上那个特征在划分数据分类时起决定性作用 划分数据 1.使用ID3算法..

2.1Review 数字的图像分辨率为28*28像素，每个像素的灰度值在0和1之间，它们决定网络输入层中784个神经元的激活值 下一层的每个神经元的激活值等于上一层所有激活值的加权和，再加上偏置，最后将这些输入到Sigmoid或者ReLu之类的压缩函数。 随意的选取含有16个神经元的两个隐含层的神经网络，计算出大概需要13000多个权重偏置值需要调整。 选取两层结构：数字9第一层识别0，第二层识别1，最后将图像拼接，从而实现手写数字识别 2.2MNIS数据集 MNIS数据集包含数以万计的手写数字扫描

chapter1神经网络的结构 1.1前言 人脑可以轻易的识别下图的数字3（数字3的字迹虽不同，但它们像素的值是大相径庭的）。 大脑皮层中处理视觉的智能区域能够把不同字迹的数字3图像处理成相同的信息。 同时，还能把其他的图像解释成各自不同的信息。 如何写一个手写数字识别程(输入一个28*28像素的表格，输出一个0到9之间的个位数，判断写的数字是几)? 1.2手写数字识别神经网络（多层感知器MPL) Q1 什么是神经网络？ 什么是神经元？ 神经元之间如何联系在一起的？ 神经元：装有一个0到1之间

吴恩达机器学习刷题