幽魂倪

摘要： 介绍 梯度下降算法是一种迭代算法，用于找到目标函数（成本函数）的 全局最小值。GD算法的分类是针对准确性和耗时因素的，下面将详细讨论。该算法广泛用于机器学习中以使功能最小化。 为什么要使用梯度下降算法？ 我们使用梯度下降来最小化J（？）之类的函数。在梯度下降中，我们的第一步是通过某个值初始化参数，并 阅读全文

摘要： 了解梯度下降很重要，因为它是机器学习和深度学习算法中部署的最常用的优化方法。它用于训练机器学习模型，并且基于凸函数。 通过迭代过程，梯度下降通过使用偏微分方程或PDE来精炼一组参数。这样做是为了将给定的成本函数最小化到其局部最小值。梯度下降是法国数学家路易斯·奥古斯丁·柯西（Louis August 阅读全文

摘要： import matplotlib.pyplot as pltimport numpy as npdef hypothesis(theta, X, n): h = np.ones((X.shape[0],1)) theta = theta.reshape(1,n+1) for i in range( 阅读全文

摘要： 随着深度学习的飞速发展，已经创建了整个神经网络架构，以解决各种各样的任务和问题。尽管存在无数的神经网络架构，但对于任何深度学习工程师来说，这里有11种必不可少的知识，它们分为四大类：标准网络，递归网络，卷积网络和自动编码器。 标准网络 1 | 感知器 感知器是所有神经网络中最基础的，是更复杂的神经网 阅读全文

摘要： 多项式回归 在涉及单个特征或变量的回归的预测分析问题（称为单变量回归）中，多项式回归是回归分析的重要变体，主要充当线性回归方面的性能提升。在本文中，我将介绍多项式回归，从零开始的Python实现以及在实际问题和性能分析上的应用。 如前缀“多项式”所示，机器学习算法的相应假设是多项式或多项式方程式。因 阅读全文

摘要： 绩效分析（SGD与BGD） 模型性能分析是根据以下指标完成的： =>平均绝对误差：实例样本的预测值与实际观测值之间的平均mod（差）。 查找MAE： ae = 0 # Absolute Errorfor i in range(0,y_train.shape[0]): ae = ae + abs(tr 阅读全文

摘要： 回归是对特征空间中的数据或数据点进行连续分类的一种方法。弗朗西斯·高尔顿（Francis Galton）于1886年发明了回归线的用法[1]。 线性回归 这是多项式回归的一种特殊情况，其中假设中多项式的阶数为1。本文的后半部分讨论了一般多项式回归。顾名思义，“线性”是指有关机器学习算法的假设本质上是 阅读全文

摘要： 使用3-D散点图对特征和目标变量的实际和预测进行并排可视化： =>实际目标变量可视化： from matplotlib import pyplotfrom mpl_toolkits.mplot3d import Axes3Dsequence_containing_x_vals = list(X_tr 阅读全文

摘要： 机器学习的最实际应用涉及目标结果所依赖的多个功能。类似地，在回归分析问题中，有时目标结果取决于众多功能。多元线性回归是解决此类问题的一种可行解决方案。在本文中，我将讨论多元（多种功能）线性回归，从头开始的Python实现，在实际问题上的应用和性能分析。 由于它是一种“线性”回归技术，因此在假设的框架 阅读全文