本文主要是介绍李宏毅深度学习P3-P4回归打卡,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
李宏毅深度学习P3-P4回归打卡
回归应用
一个具体的例子:宝可梦CP值的预测
第一步:模型
Y=b+w*Xcp (线性模型)
- Y:进化后的cp值
- X:进化前的cp值
- w,b:参数
第二步:找Fuction(a set of Function)
训练数据
找到一个损失函数,将训练数据和Function代入
损失越大,这个Function越不好
- 每个点代表一个Function
- 颜色代表损失函数的大小,越偏红色,损失值越大,越偏蓝色损失值越小
第三步 在a set of Function中找到最好的Function
找到w、b使得损失函数最小,可以通过梯度下降得到。
- 梯度下降(考虑一个参数的情况)
1、随机选取一个初始的w0
2、将loss函数对w0求导,如果是负的,增加w的值,如果为正,减小w的值。
3、更新w0
4、按照上述步骤更新w1、w2…直到满足条件停止,得到最终的w、b
- 两个参数的梯度下降
- 结果
找另外十只宝可梦对以上步骤形成的模型进行测试
- 怎样做的更好——选择另外的模型(一步一步选择更加复杂的模型)
越复杂的模型在训练数据上会有越好的效果,但是在测试数据上不一定,可能出现过拟合的现象。(选择一个最合适的模型,此例中是三次式) - 也许还有其他因素的干扰
考虑不同物种后回到第一步:
考虑不同物种之后的结果:
- 回到第二步:正则化
加入正则化项之后,得到的模形更加平滑,如果输入为噪音,对模型的影响更小。
- 越大的λ,会更少的考虑误差,所以在训练集中,λ越大,误差越大
视频链接:
https://www.bilibili.com/video/BV1Ht411g7Ef?p=5&spm_id_from=pageDriver
这篇关于李宏毅深度学习P3-P4回归打卡的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!