- 博客(6)
- 收藏
- 关注
原创 task04神经网络
利用BP神经网络处理过收益值,不需要精确数学模型,同时具有非线性映射能力,而且由大量简单计算单元组成,易于实现。 用特征量进行模型训练,对每次根据训练得到的结果与预想结果进行误差分析,进而修改权值和阈值,一步一步得到能输出和预想结果一致的模型,从而得到预测值。 单层感知器可以解决线性可分的问题,在单层感知器的基础上,再引入一层神经元,构成一个3层的神经网络,这样的一个神经网络模型,涵盖了线性和非线性可分的场景。这样的一个神经网络模型,适用范围更广,涵盖了线性和非线性可分的场景。其中的每一层称之为layer,
2022-05-30 00:28:23
68
原创 task04神经网络
利用BP神经网络处理过收益值,不需要精确数学模型,同时具有非线性映射能力,而且由大量简单计算单元组成,易于实现。 用特征量进行模型训练,对每次根据训练得到的结果与预想结果进行误差分析,进而修改权值和阈值,一步一步得到能输出和预想结果一致的模型,从而得到预测值。 单层感知器可以解决线性可分的问题,在单层感知器的基础上,再引入一层神经元,构成一个3层的神经网络,这样的一个神经网络模型,涵盖了线性和非线性可分的场景。这样的一个神经网络模型,适用范围更广,涵盖了线性和非线性可分的场景。其中的每一层称之为layer,
2022-05-30 00:27:05
63
原创 task4神经网络
利用BP神经网络处理过收益值,不需要精确数学模型,同时具有非线性映射能力,而且由大量简单计算单元组成,易于实现。 用特征量进行模型训练,对每次根据训练得到的结果与预想结果进行误差分析,进而修改权值和阈值,一步一步得到能输出和预想结果一致的模型,从而得到预测值。 单层感知器可以解决线性可分的问题,在单层感知器的基础上,再引入一层神经元,构成一个3层的神经网络,这样的一个神经网络模型,涵盖了线性和非线性可分的场景。这样的一个神经网络模型,适用范围更广,涵盖了线性和非线性可分的场景。其中的每一层称之为layer
2022-05-30 00:22:13
68
原创 第四章决策树
看了决策树,我的理解重点就是“决策”,每个if else其实都表示了一个特征属性,进行树状分叉后代表这个特征属性的输出值,再在另一个属性上输出。最终没有最好只有更好。 ID3算法中,采取信息增益作为纯度的度量。 信息增益 = 信息熵-条件熵 选择一个特征,信息增益最大,选取这个特征。但信息增益准则其实是对可取值数目较多的属性有所偏好。 C4.5算法选取特征属性时,利用信息增益率。 信息增益率=信息增益/IV(a) ...
2022-05-26 22:59:59
64
原创 第三章感悟
本章跟着视频推了线性回归中的数学知识,线性回归是针对今后学习的重要环节了,经常用来处理模型,五一数模校赛就用其作为第一种方法处理的数据,但真当去一步步分析的时候,不禁感慨自己数学知识的遗忘。一一深究实在有难度,到了后面就看不懂了。但大概了解一下过程对届时遇到实际问题的处理方面会有用处。 ...
2022-05-24 02:05:26
94
原创 西瓜书线性回归部分
开始之前看了西瓜书,线性回归部分一元二元对数部分几个公式一笔带过,透过瓜皮啃西瓜,尝不到味道,今天先去把这几个地方跟着B站视频的推导加深了理解,越啃越爽,跟书中内容环环相扣。一二章没经过推导,现在只是了解了一下,评估方法基本都来自概率论内容,看看以后怎么去用吧。 ...
2022-05-16 21:38:10
140
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
RSS订阅