Temmie1024的博客

问题回顾 上一篇文章我们最终画到了这样的图 这里我们知道它并非直线，但在图片中直接观察，我们看不到这样的效果。 matplotlib给出了一些默认非线性化的轴，显然我的不适用。 解决办法 然后我就去查api了 看不懂… 但是多多少少还是有些收获，里面指出了非线性化轴的思想：对这个轴重新映射投影。 例如：这样一组值：[1,10,20,50,80,100,500,1000]    我们使用一些非线性化函数来缩短他们值之间的差距。 这里的非线性函数我使用的是x^n次方的反函数相当于y(1/n)，选取奇函数大于

这里篇幅可能过长，单独拎出来水一篇。教程视频只有八分钟，我只是看了一下思路，然后自己写了两个小时才写出来，不断修错误，总算是出了和视频中结果近似的结果。 问题描述 根据上节课的一次方程：y=1.477x+0.089 在这个方程的基础上添加噪声生成一百组数据，然后用线性回归的方法近似求取方程的参数。y=wx+b中的w和b 整体代码 废话不多说，直接先上代码 #!usr/bin/env python # -*- coding:utf-8 -*- """ @author: Temmie @file: test

带偏置的感知器网络如下： 算法流程 初始化 随机生成权重，正负均可 训练 执行T次循环  其中对于每一个输入向量：   用激活函数g计算每一个神经元j的激活状态 其中yj是神经元j的激活状态（0或1），g是激活函数，wij是i输入与j神经元连接的权重，xi是i输入的值。   更新权重 η是学习速率，是权重变更快慢的一个度量，一般取0.1-0.4之间，yj即当下训练的神经元状态（0或1）,tj是训练集中对应的正确结果（0或1）,xi是i输入。如果训练的yj与tj相同，则这个权重是正确的，就不需要更改。

参考《机械工业出版社的matlab》与《机器学习与机器学习算法视角》 数据：数据用于训练系统。当收集数据用于训练时，必须保证能够正确理解系统随时间的变化。如果系统结构随时间变化，这可能有必要在训练系统前丢弃旧数据。 模型：模型提供了一个用于学习的数学框架。模型是由人类基于自己的观察和经验衍生出来的。 训练：系统需要训练以将输入映射到输出。当使用足够多的训练数据时，引入新的输入才能产生正确的输出。 ...

矩阵相关 函数 功能 zeros 零矩阵 ones 全1矩阵 eye 单位矩阵 rand/randn 随机数矩阵 isnumeric 判断是否为数值型矩阵 isscalar 判断矩阵是否为1*1 size 返回矩阵大小 元胞数组 matlab特有的一种变量形式，可以将任何类型的数据存储在其中。元胞数组使用{ }表示其他的写法同矩阵。可以使用cell函数来初始化元胞数组。使用celldisp显示元胞数组内容。 函数 功能 cell 初始化元胞数组

参考《机械工业出版社的matlab》与《机器学习与机器学习算法视角》 机器学习是利用已有数据对未来数据做出预测或相应。 机器学习分类 两本书对分类有所不同，这里列出的是并集。  监督学习：也称范例学习，将特定的数据训练集应用于系统，监督学习过程。指定了哪些结果是正确的。但应注意，最终的结果会与你的训练集有关，如果训练集不合适，最终的结果也会不尽人意。  无监督学习：不使用训练集，即不提供正确的答案，在没有“正确”答案的数据中发现模式。无监督学习的优点在于可以发现一些数据中你没有发现的特征规律。  半监督学习