type
status
date
slug
summary
tags
category
icon
password
Property
Jun 30, 2025 07:57 AM
学习记录的笔记都是为了我自己回顾知识,不适合看客阅读,内容潦草不连贯很正常
 
全梯度下降
随机梯度下降
小批量梯度下降
 
 
w(x) + b
b是偏置
 
多项式扩展
 
波士顿房价预测案例
 
数据归一化处理
 
 
损失函数
分类任务损失是根据数据相同或者不相同来决定取值的,而感知器损失是根据数据拟合度来决定的,
所以是根据阈值来看拟合程度。
 
模型的偏差与模型的方差。
 
升维
 
θ的值越大,惩罚项越大。
假设J(θ) 与θ之间存在函数关系,按照线性函数思想,不考虑常数项,那么在二维空间内关系式应该是一个抛物线,在三维空间内是关于J轴 θ1轴 θ2轴 的一个抛物面,抛物面具象化然后画出等高线,再投影到θ1与θ2共同构建的平面中,就可以看出函数值与未知数之前的关系趋势,按照三维立体空间结构,可以得知,J(θ)的值随着θ12的值变化而呈现出线性变化,增大而增大,减小而减小。继而得出结论:此時不考虑常数项,那么c=0,也就是说,最终我们期望优化结果应该是J(θ)越小越好,但是异常样本数据会干扰θ的值,如果异常数据越大,那么会导致θ越大,所以,我们期望,θ的变化在一个范围内,因此就有 :
notion image
三维空间中抛物面应该是这样的形状
notion image
 
 
拉格朗日乘数法
 
 
Ridge-L2正则化与LASSO-L1正则化的比较
 
 
 
数据会决定机器学习的上限
 
 
机器学习调参
 
超参数与模型参数
 
受随机数种子的影响,结果具有偶然性。
(我个人认为偶然性的结果不具备说服力)
如何尽快能规避:交叉验证
选择一组合适的超参数
 

梯度下降
 

相关文章
机器学习入门篇:数学的基础要求
Lazy loaded image
机器学习基础篇(一):机器学习概论
Lazy loaded image
机器学习基础篇(三):线性回归算法
Lazy loaded image
机器学习基础篇(四):数学知识概要
Lazy loaded image
机器学习深入篇(一):探究MSE与MAE的关系与联系
Lazy loaded image
机器学习基础篇(十一):决策树算法
Lazy loaded image
机器学习基础篇(四):数学知识概要七日减肥循环餐食一览
Loading...
fntp
fntp
多一点兴趣,少一点功利
最新发布
开源干货(一):基于OpenCV+JavaFX+Yolo+Seetaface构建人脸识别
2025-6-30
Day03:前端页面开发-首页开发
2025-6-30
机器学习基础篇(五):梯度下降
2025-6-30
机器学习基础篇(十一):决策树算法
2025-6-30
机器学习深入篇(四):探究拉格朗日乘数法的应用
2025-6-30
机器学习深入篇(一):探究MSE与MAE的关系与联系
2025-6-30
公告
📝 博客只为了记录我的学习生涯
😎 我的学习目标是成为一名极客
🤖 我热爱开源当然我也拥抱开源
💌 我期待能收到你的Email留言
📧 我的邮箱:stickpoint@163.com
欢迎交流~