weixin_39766667的博客

你可以将 Python 中的对象，包括训练好的模型和词汇表等，方便地保存为 .pkl 或 .joblib 文件，并在需要时重新加载它们。注意，.pkl 文件包含序列化的 Python 对象，因此可能包含敏感信息，要确保文件的安全性。保存对象：pickle.dump(obj, file)：将对象 obj 序列化并保存到文件 file 中，file 是一个以二进制模式（wb）打开的文件对象。代码示例中，save_pkl_file 函数接受一个对象和文件路径，将对象存储到指定文件。

（2）预处理分词，构建词汇表。（4）对用户输入进行预处理。

本实例用的是单个参数“收盘价”，学习后。用10天的收盘价预测后面1天的收盘价。后续我们还要采用这个数据，进一步添加其他的影响因子进行预测。红色的是预测的，绿色的是实际的。代码中包含注释，我就不多说了。

废话不多说，把代码贴上去，就可以运行。然后看注释，自己慢慢品，细细品。

过拟合意味着模型对训练数据过度拟合，导致在未见过的数据上表现不佳如果训练损失和验证损失都很高且下降缓慢，可能是欠拟合。这可能意味着模型过于简单，无法很好地拟合数据。

过拟合：在训练数据上得分很高，在测试数据上得分相对比较低。欠拟合：在训练数据上得分比较低，在测试数据上得分相对比更低。简单的说就是，模型的数据让模型判断准确率高，但是的数据让他判断，准确率低的现象叫过拟合。体现在结果上就是如下图。

对数几率回归解决的是二分类的问题，对于多个选项的问题，我们可以使用softmax函数它是对数几率回归在N个可能不同的值上的推广。神经网络的原始输出不是一个概率值，实质上只是输入的数值做了复杂的加权和与非线性处理之后的一个值而已，那么如何将这个输出变为概率分布？这就是Softmax层的作用，将输出值转化为概率。

load breast cancer数据集是一个经典的乳腺属数据集，包含了569个样本和30人特征，其中包括了肿痛的大小、形状、质地等信息，该数据集被广泛应用于机器学习领域中的分类和预测任务，旨在帮助医生和研究人员更好地了解乳腺癌的发展和治疗。跟上一篇一样，所有的机器学习就这几个步骤。告诉模型，我输入X,输出的结果应该是y。

损失值越来越小，说明数据越来越好。

安装指定的版本：pip install tensorflow==2.8.0 -i https://pypi.doubanio.com/simple。安装最新的版本：pip install tensorflow -i https://pypi.doubanio.com/simple。主要安装pandas、matplotlib、notebook三个库，是我们后面要用到的。python3.7版本的，注意日期比较新的。进入anaconda prompt。看到tf的版本，说明安装成功了。这里一般安装最新的版本。