- 博客(6)
- 收藏
- 关注
RSS订阅原创 Datawhale X 李宏毅苹果书 AI夏令营task3
如果随机分验证集，可能会分得不好，分到很奇怪的验证集，会导致结果很差，如果有这个担心的话，可以用 k 折交叉验证（k-foldcross validation），如图 2.11 所示。不匹配跟过拟合不同，一般的过拟合可以用搜集更多的数据来克服，但是不匹配是指训练集跟测试集的分布不同，训练集再增加其实也没有帮助了，所以这种问题要怎么解决，匹不匹配要看对数据本身的理解了,我们可能要对训练集跟测试集的产生方式有一些理解，才能判断它是不是遇到了不匹配的情况。模型太复杂的就过拟合，选太简单的有模型偏差的问题。
2024-09-03 23:38:38
439
原创 Datawhale X 李宏毅苹果书 AI夏令营task2
所以实现上每次会先选一个批量，用该批量来算 L1，根据 L1 来算梯度，再用梯度来更新参数，接下来再选下一个批量算出 L2，根据 L2 算出梯度，再更新参数，再取下一个批量算出 L3，根据 L3 算出梯度，再用 L3 算出来的梯度来更新参数。所以只要有不同的 w 不同的 b 不同的 c，就可以制造出不同的 Sigmoid 函数，从而近似不同的连续的函数。我们可以不只用一个特征 x1，可以用多个特征代入不同的 c, b, w，组合出各种不同的函数，从而得到更有灵活性（flexibility）的函数。
2024-08-31 23:55:40
967
原创 Datawhale X 李宏毅苹果书 AI夏令营task1
这个方法会有局部最小值的问题， 无法真的找到全局最小值。事实上局部最小值是一个假问题，在做梯度下降的时候，真正面对 的难题不是局部最小值。线性回归不存在局部最小值的原因在于其损失函数是凸函数、损失空间没有弯曲，凸函数保证了所有的局部最小值也是全局最小值，即任何找到的最小值点都是该函数的最低点。），现在要找的函数的输出就是从设定好的选项里面选择一个当作输出，该任务称为分类。这个夏令营不简单 #AI夏令营 #Datawhale #夏令营。假设要找的函数的输出是一个数值，一个标量（scalar。
2024-08-27 23:56:23
391
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人