weixin_48015450的博客

torch.clamp()

5.1 神经元模型 一组输入向量(x1,x2,x3…xn) 通过与各自对应的权值相乘(w1,w2,w3…wn)到达神经元，求和后的总输入值与阈值相比较，再通过 “激活函数” (activation function) 处理以产生神经元的输出。 5.2 感知机(perceptron) 由两层神经元（输入层，输出层）组成，输入层接受输入信号，输出层输出经由各输入与对应权值相乘后并求和的总值，可用于训练与或非等线性可分问题。如图5.4(a)-© 要解决非线性可分问题可考虑使用多层神经网络： 每层神经元与下

决策树： 通过一层层的属性判定，对当前判定数据进行分类的一种机器学习方法。 决策树的构造： 决策树学习的算法通常是一个递归地选择最优特征，并根据该特征对训练数据进行分割，使得各个子数据集有一个最好的分类的过程。这一过程对应着对特征空间的划分，也对应着决策树的构建。 1） 开始：构建根节点，将所有训练数据都放在根节点，选择一个最优特征，按着这一特征将训练数据集分割成子集，使得各个子集有一个在当前条件下最好的分类。 2） 如果这些子集已经能够被基本正确分类，那么构建叶节点，并将这些子集分到所对应的叶节点去。

基本术语 数据集(data set): 所有数据的集合。 样本(sample): 描述某个事件或对象的记录 属性(attribute): 事件或对象的某个性质 属性值(attribute value): 性质的取值 属性空间(attribute space): 性质所有取值的集合 特征向量(feature vector): 由多个性质组成的一条记录 训练数据(training data): 训练过程中使用的数据 训练样本(training sample): 训练数据中的每一条记录 训练集(training.

https://support.minitab.com/zh-cn/minitab/18/help-and-how-to/statistics/basic-statistics/supporting-topics/data-concepts/how-skewness-and-kurtosis-affect-your-distribution/ https://www.cnblogs.com/wyy1480/p/10474046.html