- 博客(2)
- 收藏
- 关注
RSS订阅原创 用PyTorch实现MNIST手写数字识别
在开始训练之前，我们将运行一次测试循环，看看仅使用随机初始化的网络参数可以获得多大的精度/损失。epoch的数量定义了我们将循环整个训练数据集的次数，而learning_rate和momentum是我们稍后将使用的优化器的超参数，对于可重复的实验，我们必须为任何使用随机数产生的东西设置随机种子——如numpy和random!作为激活函数，我们将选择整流线性单元(简称ReLUs)，作为正则化的手段，我们将使用两个dropout层。图像是灰度的，28x28像素的，并且居中的，以减少预处理和加快运行。
2024-03-26 21:27:23
509
原创 使用决策树的方法对鸢尾花卉Iris数据集进行分类
如果是浮点数，那么min_samples_leaf就是一个百分比，同上，celi(min_samples_leaf * n_samples)，数是向上取整的。具体方法是：从根结点(root node)开始，对结点计算所有可能的特征的信息增益，选择信息增益最大的特征作为结点的特征，由该特征的不同取值建立子节点；可以清晰看到决策树是怎么分类的。在可以评测哪个数据划分方式是最好的数据划分之前，集合信息的度量方式称为香农熵或者简称为熵(entropy)，常见的计算信息熵有3种，ID3，C4.5，CART。
2024-03-25 21:47:28
2295
1
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