yeweij226的博客

简要介绍了oneAPI的发布背景与工具

逗号：分隔行列，前面为行操作后面为列操作。冒号：在每个行列中的操作，操作方法相当于python的切片操作。总之，在使用的时候，首先找逗号分隔行列，然后在每个行列进行切片操作。如：A[1:3,2:4]取1到3行（不含第三行），2到4列（不含第四列）的数据，先找逗号分隔1:3与2:4，然后行操作对应1:3，列操作对应2:4，这样就读懂了矩阵操作。...

由于时间间隔比较长了，在这次博客里需要复习一下代码from __future__ import print_functionimport mathfrom IPython import displayfrom matplotlib import cmfrom matplotlib import gridspecfrom matplotlib import pyplot as plt...

基础概念：1、分类阈值逻辑回归返回的是概率。 您可以“原样”使用返回的概率（例如，用户点击此广告的概率为 0.00023），也可以将返回的概率转换成二元值（例如，这封电子邮件是垃圾邮件）。如果某个逻辑回归模型对某封电子邮件进行预测时返回的概率为 0.9995，则表示该模型预测这封邮件非常可能是垃圾邮件。相反，在同一个逻辑回归模型中预测分数为 0.0003 的另一封电子邮件很可能不是垃圾邮件。...

1、逻辑回归：许多问题需要将概率估算值作为输出。逻辑回归是一种极其高效的概率计算机制。 实际上，您可以通过下两种方式之一使用返回的概率：“按原样”（连续型输出）转换成二元类别。（离散型输出）我们来了解一下如何“按原样”使用概率。假设我们创建一个逻辑回归模型来预测狗在半夜发出叫声的概率。我们将此概率称为：p(bark | night)如果逻辑回归模型预测 p(bark | nig...

首先引入一些基础概念：1、L2正则化图中显示的是某个模型的训练损失逐渐减少，但验证损失最终增加。换言之，该泛化曲线显示该模型与训练集中的数据过拟合。根据奥卡姆剃刀定律，或许我们可以通过降低复杂模型的复杂度来防止过拟合，这种原则称为正则化。也就是说，并非只是以最小化损失（经验风险最小化）为目标，而是以最小化损失和复杂度为目标，这称为结构风险最小化：现在，我们的训练优化算法是一个由两项内容...

首先是包与函数的设置，可以在 Google 机器学习编程笔记三——回归模型的验证中找到代码的相关注释内容from __future__ import print_functionimport mathfrom IPython import displayfrom matplotlib import cmfrom matplotlib import gridspecfrom matp...

首先引入一些比较重要的概念**特征工程概念：将原始数据转换为特征矢量。许多机器学习模型都必须将特征表示为实数向量，因为特征值必须与模型权重相乘。特征工程分类：1、映射数值：直接取值，不需要特殊编码2、映射分类：需要特殊编码。分类特征具有一组离散的可能值。如：{‘Charleston Road’, ‘North Shoreline Boulevard’, ‘Shorebird Way...

预设置from __future__ import print_functionimport mathfrom IPython import displayfrom matplotlib import cmfrom matplotlib import gridspecfrom matplotlib import pyplot as pltimport numpy as npim...

预设：导入相关包，设置相关数据（这里借鉴了这位博主的笔记，很详实Google TensorFlow课程 编程笔记（2）———使用TensorFlow的基本步骤）from __future__ import print_functionfrom IPython import display #display模块可以决定显示的内容以何种格式显示from matplotlib import ...

首先介绍Pandas的基础用法：1、基础概念：pandas 中的主要数据结构被实现为以下两类：DataFrame，您可以将它想象成一个关系型数据表格，其中包含多个行和已命名的列。Series，它是单一列。DataFrame 中包含一个或多个 Series，每个 Series 均有一个名称。2、文件读取：#read_csv方法将链接的数据文件导入california_housing...