目錄
偏差與方差
導致偏差和方差的原因
深度學習中的偏差與方差
生成模型與判別模型
兩者之間的聯絡
優缺點常見模型
先驗概率與後驗概率
在監督學習中，模型的泛化誤差可分解為偏差、方差與雜訊之和
偏差用於描述模型的擬合能力
方差用於描述模型的穩定性
方差通常是由於模型的複雜度相對於訓練集過高導致的
監督學習模型可分為生成模型與判別模型
生成模型學習的是聯合概率分布p(x,y)，然後根據條件概率公式計算p(y|x)
隱變數：當我們找不到引起某一現象的原因時，就把這個在起作用，但無法確定的因素，叫做「隱變數」缺點
生成模型
缺點 生成模型
條件概率（似然概率）
先驗概率
後驗概率
貝葉斯公式
ML基礎 機器學習基礎
收集資料 我們可以使用很多方法收集樣本資料，如 製作網路爬蟲從 上抽取資料 從rss反饋或者api中得到資訊 裝置傳送過來的實測資料 風速 血糖等 提取資料的方法非常多，為了 節省時間與精力，可以使用公開可用的資料來源。準備輸入資料 得到資料之後，還必須確保資料格式符合要求，此外還需要為機器學習演算...
機器學習ML策略
機器學習ml策略 1 為什麼是ml策略 例如 識別cat分類器的識別率是90 怎麼進一步提高識別率呢？想法 1 收集更多資料 2 收集更多的多樣性訓練樣本 3 使用梯度下降訓練更長時間 4 嘗試adam代替梯度下降 5 嘗試更大的網路 6 嘗試更小的網路 7 嘗試dropout 8 嘗試l2正則化 ...
機器學習 ML分類
為了更好的學習機器學習知識，進行機器學習的分類 按照機器學習任務分類可以分為 分類問題是我們最常用的任務，如，新聞分類，分類，檔案分類可以按照各個領域進行分類，如教育，體育，科技，經濟等等 聚類問題，簡單的說是群，俗話是物以類聚，目的是將樣品劃分為緊密關係的子類或者是簇 最常用的是用k means聚...