摄影网站的模板,安徽工程建设信息网实名制,做美团网这种网站赚钱吗,自建网站如何备案1_机器学习
1#xff09;基础要求#xff1a;所有的数据全部变为了特征#xff0c;而不是eeg信号了
python基础已经实现了特征提取、特征选择#xff08;可选#xff09;进行了数据预处理.预处理指对数据进行清洗、转换等处理#xff0c;使数据更适合机器学习的工具。S…1_机器学习
1基础要求所有的数据全部变为了特征而不是eeg信号了
python基础已经实现了特征提取、特征选择可选进行了数据预处理.预处理指对数据进行清洗、转换等处理使数据更适合机器学习的工具。Scikit 提供了一些预处理的方法分别是标准化、非线性转换、归一化、二值化、分类特征编码、缺失值插补、生成多项式特征等
2机器学习送入模型的数据结构data和label
datan*m的矩阵n是样本数m是特征数。 特征一定是一维特征不能是n * m1 * m2。如果是二维用reshape转为一维。label1*nn的特征N个样本对应n个label。
机器学习就是给定一定的输入通过施加一定的算法得到输出然后通过学到的知识输入新的 数据获得新的输出。 1提出问题 2理解数据 3特征提取 4构建模型 5模型解释
2_回归Regression回归
output输出离散值 Machine learning的三大步骤 第一步定义一个函数集合(define a function set) 第二步判断函数的好坏(goodness of a function) 第三步选择最好的函数(pick the best one)
Step1定义一个函数集合(define a function set) Step2判断函数的好坏(goodness of a function) Step3选择最好的函数(pick the best one) 求解w,b机器学习中最常用的一种方法叫梯度下降。 每个模型都有自己的损失函数不管是监督式学习还是非监督式学习。损失函数包含了若干个位置的模型参数比如在多元线性回归中损失函数均方误差 我们就是要找到使损失函数尽可能小的参数未知模型参数。 在简单线性回归时我们使用最小二乘法来求损失函数的最小值但是这只是一个特例。在绝大多数的情况下损失函数是很复杂的(比如逻辑回归)根本无法得到参数估计值的表达式。因此需要一种对大多数函数都适用的方法。这就引出了“梯度算法”。
梯度gradient 学习率learning rate local minima和global minima
此时已经找到了好的wb。就构成了一个线性模型
接着在测试集上测试如果测试集上的准确率较好该模型就被训练好了。
过拟合问题 一个重要问题过拟合在训练集上表现好在测试集上表现差 局部最小问题
3_线性回归
线性回归是回归问题中的一种线性回归假设目标值与特征之间线性相关即满足一个多元一次方程。 通过构建损失函数来求解损失函数最小时的参数w和b。
continue…
