深度学习-第2周
最近邻规则分类KNN算法介绍KNN是一种近朱者赤近墨者黑的监督学习分类算法,是基于实例的学习,属于懒惰学习(没有显式学习过程;在训练阶段不做或做很少的模型构建工作,而是在预测阶段才进行大量计算) 为了判断未知实例的类别,以所有已知类别的实例作为参照选择参数K 计算未知实例与所有已知实例的距离 选择最近K个已知实例 根据少数服从多数的投票法则,让未知实例归类为K个最邻近样本中最多数的类别 距离度量闵可夫斯基距离$$有两个k维向量\vec{a}=(x_{11},x_{12},\dots,x_{1k}),\vec{b}=(x_{21},x_{22},\dots,x_{2k}) \两个向量之间的闵可夫斯基距离为\d(x,y)=(\sum_{i=1}^{k}|x_{1i}-x_{2i}|^p)^{1/p}$$ 曼哈顿距离各个维度差值的绝对值的和$$闵可夫斯基距离中p=1\d(x,y)...
深度学习-第1周
...
深度学习-第0周
模型评价指标回归模型和分类模型都是监督学习中的重要模型;回归模型输出的结果是连续值,而分类模型输出的则是离散值;因此针对这两种模型的评价指标也存在差异 回归模型平均绝对误差(MAE)$$MAE = \frac{1}{n}\sum_{i=1}^{n}|(y_{i}-\hat{y_{i}})| \y_{i}是真实标签值,\hat{y_{i}}是预测值,n为回归的样本个数$$ 均方误差(MSE)$$MSE = \frac{1}{n}\sum_{i=1}^{n}(y_{i}-\hat{y_{i}})^2 \y_{i}是真实标签值,\hat{y_{i}}是预测值,n为回归的样本个数$$ 这个就是之前的Loss值,可导,最小化MSE时,性能最好 均方根误差(RMSE)$$RMSE = \sqrt[]{\frac{1}{n}\sum_{i=1}^{n}(y_{i}-\hat{y_{i}})^2}...




