踏天而上,葬海无边
Ch8 先引出logistic回归模型的不足:对复杂的非线性假设模型的产生的决策边界难以进行拟合与训练。然后受到大脑神经元的启发,我们开发了神经网络模型。本章介绍了神经网络模型的组成、前向传播算法,并就网络为何能构造复杂的特征做出了解释,并提供了简单逻辑运算器(与、或、非异或、同或)的神经网络表示。最后在二分类神经网络的基础上描述了对多分类神经网络的构建方法。
more >>Ch9 是对神经网络模型的进一步深入。Ch8 主要是对神经网络模型的假设函数的阐述,而Ch9 则对神经网络模型的训练进行展开:首先类比logistic回归模型提出了神经网络模型的损失函数,并且叙述了用于求解最佳参数所用的反向传播算法。在训练网络前,首先需要使用梯度检验的方法验证反向传播算法是否正确。在正式训练时,初始化参数矩阵需使用随机初始化方法。最后对Ch8 和Ch9 的神经网络模型做了综合性的总结。
more >>Ch11 是对机器学习系统结构设计的探讨。对于模型训练,推荐先从简单入手,不断调优。对于二分类问题,有可能因为正负样本数量不均衡,导致类偏差的问题,引入了查准率和查全率的概念。最后对数据集的规模是否对模型有用,做了探讨。
more >>Ch10 是对假设函数在训练集和测试集的不同效果进行了解读。开篇给出了使假设函数泛化更好的一些解决方案。为了让在训练集上生成的假设函数泛化能力更好,可以对数据集使用二划分(70% train 30% test)/ 三划分(60% train 20% cross validation 20% test)的手段,以进行模型选择。对于高方差/高偏差问题,可认为其分别对应于过拟合/欠拟合,并对开篇的解决方案归类,日后可相应针对特定的场景选择方案进行解决。
more >>Ch7本章讲的是关于模型训练过程会出现的欠拟合、过拟合的问题,以及它们的解决思路。重点介绍了过拟合问题的正则化方法,并对回归和分类问题的损失函数进行了重定义。
more >>解决思路:
也许你会遇到和我一样的无法修改hosts
文件的情况,此时可以参照如下教程
如何使用管理员身份打开系统文件
最近在捣鼓linux系统,发现window自带的linux子系统有点东西,就安装了下:
要注意的是在安装好后密码是不显示的,我就是因为忘了,所以重置了一下ubuntu:
Win10重置/注销Linux子系统教程
官网开发教程:
Developing in WSL - Vscode Tutorial
WSL Ubuntu下的Python开发 - bilibili
1 |
|