zoukankan      html  css  js  c++  java
  • 监督式机器学习

    1、知识点

      

      1.1、标签:

            我们要预测的真实事物:y 即线性回归中的变量y值

            特征:指用于描述数据的输入变量:x  即线性回归中的{x1,x2,。。。,xn}变量

            样本:指诗句的特定实例:x

             有标签样本:{特征,标签}:{x,y}  用于训练模型

             无标签样本: {特征,?}:{x,?}  用于对新数据做出预测

            模型:可将样本映射到预测标签:y'   由模型的内部参数定义,这些内部参数值是通过学习得到的

      1.2、训练:

            表示通过“有标签样本”来学习(确定)所有权重和偏差的理想值  【y = k*x+b】 ,确定k和b的值

            在监督式学习中,机器学习算法通过以下方式构建模型:

              检查多个样本并尝试找出可最大限度地减少损失的模型,这一过程叫做“经验风险最小化”

              损失:是对糟糕预测的惩罚,损失是一个数值,表示对于单个样本而言模型预测的准确程度

              如果模型的预测完全准确,则损失为零,否则损失会比较大

              训练模型的目标是从所有样本中找到一组“平均损失”较小的权重和偏差

              定义损失函数:

                

      1.3、模型训练:

          首先对权重w和偏差b进行初始猜测,然后反复调整这些猜测,直到获得损失可能最低的权重和偏差为止

            收敛:机器训练的程度

             计算损失:

      1.4、梯度下降法:

            梯度:一个向量(矢量),表示某一函数在该点处的方向沿着该方向取得最大值,即函数在该点处沿着该方向(梯度的方向)变化最快,变化率最大 

     

               方向:

                  沿着 负梯度方向进行下一步探索

      1.5、学习率 :

              应适当(不应过大或过小)

            沿着“负梯度”方向的下一步:

      1.6、 超参数:

            是在开始学习之前设置的参数,而不是通过训练得到的参数数据

            【超参数】是编程人员在机器学习算法中用于调整的旋钮  例如:学习率,神经网络的隐含层数量等

  • 相关阅读:
    第四次团队作业
    第三次团队作业博客——系统设计
    第二次团队作业博客
    第一次团队作业博客
    团队作业——总结
    软件工程课程总结
    Beta冲刺提交-星期三
    个人作业-Alpha项目测试
    第四次团队作业
    第三次团队作业——系统设计
  • 原文地址:https://www.cnblogs.com/pam-sh/p/12288509.html
Copyright © 2011-2022 走看看