你的雷哥

摘要： Q1代价函数 （1）假设神经网络的训练样本有m个，每一个包含一组输入x和一组输出信号y，L表示神经网络的层数，Sl表示每一层的神经元个数，SL代表最后一层中处理单元的个数。 则代价函数为（同样不对θ0正则化）： Q2反向传播算法 误差计算公式，注意第一列作为输入是没有误差的。 前向传播算法： 用δ表 阅读全文

摘要： Q1非线性假设 （1）无论线性回归还是逻辑回归当特征量太多时，计算的负荷会非常大。如50x50像素有2500特征，如果两两组合将会有25002/2个（接近300万个特征）。普通的线性回归和逻辑回归模型不能有效处理这么多特征，这时候需要用神经网络了。 Q2神经元和大脑 大脑的某一块可以经过学习，学会其 阅读全文

摘要： Q1过拟合的问题 训练集表现良好，测试集表现差。鲁棒性差。以下是两个例子（一个是回归问题，一个是分类问题） 第一个图明显欠拟合，第三个图过度拟合，拟合函数复杂，虽然对于训练集具有很低的代价函数，但是应用到新样本的能力并不高，图二则是两者的均衡。 解决办法： （1）丢弃一些不能帮助我们正确预测的特征。 阅读全文

摘要： Q1分类问题 回归问题的输出可能是很大的数，而在分类问题中，比如二分类，希望输出的值是0或1，如何将回归输出的值转换成分类的输出0,1成为关键。注意logistics回归又称 逻辑回归，但他是分类问题，而不是回归问题。 Q2假说表示 其中： sigmoid函数 hθ（x）的作用是，对于给定的输入变量 阅读全文

摘要： Q1多维特征 上图中列数即为特征的个数，行数是样本数。函数假设如下： 其中x0=1。 Q2多变量梯度下降 和单变量的损失函数相同： 其中， 求导迭代如下： Q3梯度下降法实践1-特征缩放 特征之间的尺度变化相差很大（如一个是0-1000，一个是0-5），梯度算法需要非常多次的迭代才能收敛，如下图所示 阅读全文

摘要： 学过线性代数的人，这节课内容完全没必要看 Q1矩阵和向量 几行几列即为矩阵。Ａij表示第i行第j列。 只有一行或者一列的称为向量，向量是一种特殊矩阵。一般向量指的是列向量。 Q2加法和标量乘法 加法：元素对应相加。 标量乘法：标量和矩阵每一个元素相乘。 Q3矩阵向量乘法 Q4矩阵乘法 要求：第一个矩 阅读全文

摘要： Q1模型表示 Q2：代价函数 对于回归问题常用的代价函数是平方误差代价函数： 我们的目标选取合适的参数Θ使得误差函数最小，即直线最逼近真实情况。 Q3:代价函数的直观理解(一个参数) Q4:代价函数的直观理解(两个参数) Q5梯度下降 Q6梯度下降的直观理解 （１）梯度下降法可以最小化任何代价函数， 阅读全文

摘要： 前言：开启大约二十天的机器学习时光，以吴恩达的机器学习课程为主线同时结合网上其他的资源进行学习，每天对学到的东西在博客上记录下来，以备复习。部分内容转载自这位博主：https://www.cnblogs.com/ys99/p/9223859.html Q1:机器学习的定义？ （1）一种机器学习的定义 阅读全文

摘要： 一、实验目的：利用灰度共生矩阵的二次统计量特征和最近邻法对纹理图像进行分类 二、实验内容：对8类纹理图像利用灰度共生矩阵的二次统计量特征和最近邻法进行分类，其中每类纹理图像有8幅，总共64幅，每幅图像的大小为200x200。实验中将各类纹理图像样本按数量随机等分成两部分作为训练、测试样本集，按照这种 阅读全文

摘要： 一、实验目的：熟悉RGB空间的彩色图像分割方法 二、实验内容：以redflower.jpg图像为例，采用边界盒方法分割出该图像中的红色花朵，通过改变标准偏差的系数值，观察对分割结果产生的影响 原图： 运行结果截图： 阅读全文