一基礎知識
1.tensorflow使用張量表示資料，使用「圖」表示計算任務，使用會話來執行圖。dtype和shape是張量的屬性
import tensorflow as tf
"""基礎知識
"""t1=tf.constant(10,dtype=tf.int32)
sess=tf.session()
print(t1)#tensor("const_2:0", shape=(), dtype=int32)
print(sess.run(t1))#10
準備資料：分析輸入資料集合輸出資料集，用於建立他們之間的關係，比如他們可以運用y=ax+b表示等；
確定引數：設定乙個損失模型用來找到最合適的引數，通過不斷改變引數的值使得損失模型的值變小，進而找到最準確的模型；
使用tensorflow訓練模型：採用梯度下降法來優化，對損失函式傳入測試資料，定義優化器將損失函式傳入來訓練資料，得到最優的模型；
評估模型：建立特徵向量，建立linearregressor訓練器將特徵向量作為引數傳入，分別用訓練集和評估集建立模型，進行訓練和評估。
三demo
定義/獲取樣本資料集；
將資料集分為訓練集和測試集；
def train_test_split(x, y):
split_index = int(len(y)*0.7)
#樣本的0.7做訓練
x_train = x[:split_index]
y_train = y[:split_index]
#0.3做測試
x_test = x[split_index:]
y_test = y[split_index:]
return x_train, y_train, x_test, y_test
機器學習二分類精度
針對二分類的結果，對模型進行評估，通常有以下幾種方法 初始作如下定義 真實結果10 結果 1tp 真陽性 fp 假陽性 0fn 假陰性 tn 真陰性 precision 準確率 可以理解為 結果為正類中有多少是正類，給出定義如下 recall 召回率 可以理解為真實結果為正類中有多少被 成正類，給出...
手寫機器學習常見演算法 logit回歸 二分類
最近看了一些計算機方面關於將logit回歸的資料，發現和統計學上講logit回歸思路還是不一樣的，因為是學統計出身，所以可能更傾向於統計學上關於logit回歸推導的思路。在很多機器學習書上都是通過定義損失函式來得到的，這應該是為了與神經網路保持一致，實際上logit回歸也可以看作神經網路的一種。這是...
NG 邏輯回歸 二分類
import time import numpy as np import pandas as pd import matplotlib.pyplot as plt a pd.read table 01.txt header none,usecols 0,1,2 插入一列 1 a.insert 0,...