weixin_44716713的博客

网格搜索GridSearchCV()： 把所有的超参数选择列出来分别做排列组合,然后选择测试误差最小的那组超参数。 随机搜索 RandomizedSearchCV() ： 参数的随机搜索中的每个参数都是从可能的参数值的分布中采样的。从指定的分布中采样固定数量的参数设置 与网格搜索相比，这有两个主要优点： 可以独立于参数数量和可能的值来选择计算成本。 添加不影响性能的参数不会降低效率。 贝叶斯优化。 贝叶斯优化用于机器学习调参由J. Snoek(2012)提出，主要思想是，给定优化的目标函数(广义的函数，

(a) 训练均方误差与测试均方误差： 在回归中，我们最常用的评价指标为均方误差， 即：MSE=1N∑i=1N(yi−f^(xi))2MSE = \frac{1}{N}\sum\limits_{i=1}^{N}(y_i -\hat{ f}(x_i))^2MSE=N1​i=1∑N​(yi​−f^​(xi​))2 其中f^(xi)\hat{ f}(x_i)f^​(xi​)是样本xix_ixi​应用建立的模型f^\hat{f}f^​预测的结果。 一个模型的训练均方误差最小时，不能保证测试均方误差同时也很小。对于

task 1 略水没啥子意思 什么是机器学习？ 机器学习的一个重要的目标就是利用数学模型来理解数据，发现数据中的规律，用作数据的分析和预测。 机器学习的任务可分为：有监督学习和无监督学习。 有监督学习：给定某些特征去估计因变量，即因变量存在的时候，我们称这个机器学习任务为有监督学习。如：我们使用房间面积，房屋所在地区，环境等级等因素去预测某个地区的房价。 无监督学习：给定某些特征但不给定因变量，建模的目的是学习数据本身的结构和关系。如：我们给定某电商用户的基本信息和消费记录，通过观察数据中的哪些类型的用户彼

调用范例： plt.scatter(X[y == 0, 0], X[y == 0, 1], color="red") plt.scatter(X[y == 1, 0], X[y == 1, 1], color="blue") plt.show() # 切分数据集 X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=666) # 调用我们自己的逻辑回归函数 log_reg = LogisticRegression()