Tensorflow&机器学习速成笔记

T
  • 本笔记依托于谷歌机器学习速成课程
  • 会与前面机器学习笔记存在重复部分
  • 部分文字与图片节选自Google机器学习速成课程讲义和Tensorflow官方API及对应社区或其他文档
  • 文章会持续更新
  • 课程地址:https://developers.google.cn/machine-learning/crash-course/

 机器学习术语

监督式学习是机器学习系统通过学习如何组合输入信息来对从未见过的数据做出有用的预测。

标签

在简单线性回归中,标签是我们要预测的事物,即 y 变量。标签可以是小麦未来的价格、图片中显示的动物品种、音频剪辑的含义或任何事物。

特征

在简单线性回归中,特征是输入变量,即 x 变量。简单的机器学习项目可能会使用单个特征,而比较复杂的机器学习项目可能会使用数百万个特征,写成如下形式:

样本

样本是指数据的特定实例:x。(我们采用粗体 x 表示它是一个矢量。)我们将样本分为以下两类:有标签样本和无标签样本

有标签样本同时包含特征以及标签

无标签样本仅包含特征不包含标签

在使用有标签的样本训练模型以后,就可以使用训练成型的模型来识别无标签样本

模型

模型定义了特征(features)和标签(label)之间的关系,模型的生命周期主要分为两个阶段:

训练阶段:表示建立特征与标签之间的关系,也叫创建或学习模型

推断阶段(使用阶段):根据训练阶段得到的模型,来对无标签样本进行预测

回归和分类

回归和分类问题主要应对连续和离散两种情况:回归模型可以预测连续值,而分类问题可以预测离散值

例如经典回归问题被用在分析房价,而分类问题通常用在给物品做分类

About the author

NOBUG.IN

Add comment

By NOBUG.IN

Your sidebar area is currently empty. Hurry up and add some widgets.