- 博客(12)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 Anaconda 安装不同版本python
安装完Anaconda之后，可以查看所安装的python版本：对于我安装好的目前是3.7版本，想安装其他版本，命令如下：conda create --name python36 python=3.6（name可以随便取一个自己记得住的名字，比如我取的python36）安装完成之后进行激活：激活完之后就进行了python3.6的环境中。...
2019-12-11 17:08:36
679
原创 在windows上安装Anaconda
首先安装python环境：python官网：https://www.python.org/downloads/首先，根据你的Windows版本（64位还是32位）从Python的官方网站下载Python 对应的64位安装程序或32位安装程序，然后，运行下载的exe安装包：安装完成后，打开windows命令行，输入：python出现如上页面，则表示安装成功。就会出现提示符>>...
2019-12-09 15:07:13
475
原创 机器学习性能度量-----查全率和查准率
算法改进过程中，设定某个数值评估你的学习算法，并衡量它的表现，有了算法的评估和误差度量值。对算法的改进是十分重要的。但是有一件重要的事情要注意，就是使用一个合适的误差度量值，这有时会对于你的学习算法造成非常微妙的影响。性能度量对学习器的泛化性能进行评估，不仅需要有效可行的实验估计方法，还需要有衡量模型泛化能力的评估标准，这就是性能度量（performance measure）.性能度量反映了...
2019-11-28 20:55:44
794
原创 机器学习-----方差和偏差诊断
https://blog.youkuaiyun.com/stay_foolish12/article/details/89289564“偏差-方差分解”是解释机器学习算法算法泛化性能的一种重要工具。
2019-11-27 17:11:04
417
原创 markdown等式对齐
markdown中，等式对齐：$$\begin{aligned}a &= b + c \\ &= d + e + f\end{aligned}$$a=b+c=d+e+f\begin{aligned}a &= b + c \\ &= d + e + f\end{aligned}a=b+c=d+e+f注：根据不同的库会有所不同，写al...
2019-11-23 14:55:25
2236
原创 反向传播求解神经网络参数----机器学习笔记
求解神经网络模型参数的大致过程神经网络代价函数首先我们回顾一下神经基本结构：假设神经网络的训练样本有 m 个，每个包含一组输入 x 和一组输出信号 y（在神经网格中，有时候将输出表示为h Θ\ThetaΘ,都是表示输出），L 表示神经网络层数，Sl 表示每层的 neuron 个数(SL 表示输出层神经元个数)， SL 代表最后一层输出单元的个数。（大写L表示一共有几层，小写l表示l=1~L）...
2019-11-08 16:13:06
875
原创 神经网络识别手写数字（注意与逻辑回归多分类对比）-------编程详解
在上一个‘网址’，实现了逻辑回归多分类来识别手写数字，然而逻辑回归仅仅是线性分类器，无法形成更复杂的假设，我们运用神经网络的“前向传播”算法对相同的数据集进行识别，进行比较。神经网络结构介绍参见：https://blog.youkuaiyun.com/weixin_44102752/article/details/102669886我们的神经网络如下图所示。它有3层-一个输入层，一个隐藏层和一个输出层。回...
2019-11-04 21:28:25
576
原创 逻辑回归识别手写数字（多元分类）-------编程详解（吴恩达机器学习）
首先载入数据并可视化数据载入数据：data中有5000个训练实例。其中每个训练实例是一个20像素乘20像素灰度图像的数字。每个像素由一个浮点数表示，表示该位置的灰度强度。20 * 20的像素网格被“展开”成一个400维的向量。这些训练示例中的每一个都变成了数据矩阵X中的单行。这就得到了一个5000×400矩阵X，其中每一行都是一个手写数字图像的训练示例。load('ex3data1.mat...
2019-11-04 21:27:28
1033
原创 构建一个简单的逻辑回归二分类模型------编程详解（吴恩达机器学习）
构建一个逻辑回归模型：可视化数据在开始执行任何算法之前，最好尽可能的将数据可视化，所以我们首先加载数据，并通过绘图函数将数据显示出来：data = load('ex2data1.txt');X = data(:, [1, 2]); y = data(:, 3);pos=find(y==1);reg=find(y==0);plot(X(pos,1),X(pos,2),'k+',X(r...
2019-11-04 21:26:08
973
原创 神经网络介绍（Neural Networks Representation）----吴恩达机器学习心得
神经网络介绍关于对神经网络的定义非常多，1988年Kohomen提出“神经网络是由具有适应性的简单单元组成的广泛并行互连的网络，它的组织能够模拟生物神经系统对真实世界物体所作出的交互反应”，在机器学习中，我们谈论的神经网络指的是“神经网络学习”。非线性假设对于线性回归和逻辑回归函数来说，当特征n很大的时候，就会产生很大的计算量，比如我们要识别灰度图像，采用 50x50 像素的小图片，并且我...
2019-10-21 20:53:00
416
原创 第三周编程作业的一些注意点----吴恩达机器学习心得
数据可视化（visualing the data）训练模型的过程中，很重要的一点就是要可视化数据（visualing the data），将训练数据或者其一部分用图形表示出来，那么对于可能存在的欠拟合或者过拟合等等一些问题，可以做一下初步的估计。比如，对于一组数据来说，将其在matlab上画出来：function plotData(X, y)figure; hold on;pos = ...
2019-10-21 19:01:12
210
原创 欠拟合 过拟合 正则化-------吴恩达机器学习心得
欠拟合 过拟合 正则化模型训练过程中会出现“欠拟合”（Underfitting）“过拟合”(Overfitting)现象。（欠拟合又可以表示为“高偏差”，而过拟合又可以称为“高方差”，对于高误差和高方差的解释会在另一篇里解释。）如下图的线性回归函数和逻辑回归函数的第一个图形，就是欠拟合，即假设函数不能很好的拟合训练数据。而第三个图形就是过拟合的例子，即学习的假设能够完全拟合训练集的每一个数...
2019-10-21 18:38:58
311
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人