半监督学习 在有标签数据+无标签数据混合成的训练数据中使用的机器学习算法。一般假设，无标签数据比有标签数据多，甚至多得多。 要求： 无标签数据一般是有标签数据中的某一个类别的（不要不属于的，也不要属于多个类别的）； 有标签数据的标签应该都是对的； 无标签数据一般是类别平衡的（即每一类的样本数差不多） ...
分类：
其他好文 时间：
2020-07-02 13:18:26
阅读次数：
60
神经网络 BPNN 感知机 神经网络入门 反向传播 tensorflow tf基础 控制依赖项 变量命名域和tensorboard 一元线性回归 模型持久化 交叉熵 global_steps的使用 手写数据集实现 CNN 激活函数 CNN过拟合 手写数据集CNN模型 权重初始化-CNN 批归一化 自 ...
分类：
其他好文 时间：
2020-06-18 17:49:05
阅读次数：
63
1.逻辑回归是怎么防止过拟合的？为什么正则化可以防止过拟合？ 答： （1）可以通过增加样本量，或者提取不重要的特征进行降维来防止过拟合，也可以通过正则化来防止过拟合。 （2）正则化的原理，就是通过约束系数（w）的大小，进而抑制整体的过拟合情况。 2.用logiftic回归来进行实践操作，数据不限。 ...
分类：
其他好文 时间：
2020-06-16 13:18:13
阅读次数：
56
1.逻辑回归是怎么防止过拟合的？为什么正则化可以防止过拟合？（大家用自己的话介绍下） 逻辑回归可以增加样本量，也可通过特征选择,剔除一些不重要的特征,从而降低模型复杂度。 过拟合的时候，拟合函数的系数往往非常大，而正则化是通过约束参数的范数使其不要太大，所以可以在一定程度上减少过拟合情况 2.用lo ...
分类：
其他好文 时间：
2020-06-14 10:46:59
阅读次数：
50
1.逻辑回归是怎么防止过拟合的？为什么正则化可以防止过拟合？】 · 防止过拟合的方法： （1）增加样本量（适用任何模型）。 （2）如果数据稀疏，使用L1正则，其他情况，使用L2。 L1正则，通过增大正则项导致更多参数为0，参数系数化降低模型复杂度，从而抵抗过拟合。 L2正则，通过使得参数都趋于0，变 ...
分类：
其他好文 时间：
2020-06-09 09:55:14
阅读次数：
59
1.用自己的话描述一下，什么是逻辑回归，与线性回归对比，有什么不同？2.自述一下什么是过拟合和欠拟合？3.思考一下逻辑回归的应用场景有哪些？ 1答：逻辑回归：是一种广义bai的线性回归分析模型。应用不同：逻辑回归常用于数据挖掘，疾病自动诊断，经济预测等领域。线性回归常运用于数学、金融、趋势线、经济学 ...
分类：
其他好文 时间：
2020-06-08 23:36:47
阅读次数：
65
6.逻辑归回 1.用自己的话描述一下，什么是逻辑回归，与线性回归对比，有什么不同？ 逻辑回归是一种广义的线性回归分析模型，常用于数据挖掘，疾病自动诊断，经济预测等领域。 线性回归要求因变量必须是连续性数据变量；逻辑回归要求因变量必须是分类变量，二分类或者多分类的。 2.自述一下什么是过拟合和欠拟合？ ...
分类：
其他好文 时间：
2020-06-06 18:47:19
阅读次数：
55
这是比赛的第四阶段，模型的相关训练与验证 选好模型之后，需要建立训练集与验证集进行模型的效果验证，保证模型的预测结果正确符合，以及不过拟合训练与验证主要有以下几种方法： ###交叉验证法 交叉验证法的作用就是尝试利用不同的训练集/测试集划分来对模型做多组不同的训练/测试，来应对单词测试结果过于片面以 ...
分类：
其他好文 时间：
2020-05-30 23:24:59
阅读次数：
104
正则化的目的是为了防止过拟合，降低模型的复杂度。 正则化的打开方式： 在目标函数后面添加一个系数的“惩罚项”。 式中， 是一个常数， 为样本个数， 是一个超参数，用于控制正则化程度。 1、L1正则化：在目标函数后面加了所有特征系数的绝对值之和。L1正则化更适用于特征选择，每次更新过程中会减去或加上一 ...
分类：
其他好文 时间：
2020-05-30 22:03:08
阅读次数：
108
简介 线性回归模型有一个主要的局限性，那就是它只能把输入数据拟合成直线，而多项式回归模型通过拟合多项式方程来克服这类问题，从而提高模型的准确性。 准备工作 从图1-6中可以看到，数据点本身的模式中带有自然的曲线，而线性模型是不能捕捉到这一点的。再来看看多项式模型的效果，如图1-7所示。 图1-7中的 ...
分类：
其他好文 时间：
2020-05-28 13:16:00
阅读次数：
80
