赞
踩
这是一篇有关于AI基础课程-线性回归的课程笔记
这个符号代表的是一个常数,(每次的微分值 x 这个常数) == (总的更新)
步骤1:取任意w和b的初始值设为w0,b0.
步骤2。1:计算w=w0处,w的偏微分,并且更新w的值。
步骤2。2:计算b=b0处,b的偏微分,并且更新b的值。
步骤3:重复进行跟新操作,直到w和b不再更新为止,我们就找到了一个洼地。
我们不难看出,在model变得更复杂的同时,虽然training data的error越来越小,但是test data却反向越来越大.
这个时候,training data的优化就变得毫无意义.
-> 所以我们需要一个合适的model.而不是复杂的.
分段函数,冲击函数的应用:
#在抓住60只宝可梦的前提下,我们能够根据物种来对他们实行分段函数.
为什么我们做到了分段但是还是不能吧error降到极低甚至0?
#原因1:宝可梦官方程序在进化的过程中,向函数中加入了一个随机的random参数.
#原因2:还有其他的参数在影响着宝可梦进化后的CP值.
我们设计了一个终极的式子,把所有可能影响进化后CP值得参数全部都放到了这个function中:
1,得到的training data很低
2,得到的testing data很高
在后面这一项中为什么没有bias?
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。