admin管理员组文章数量:1531667
神经网络三大基本框架
Pytorch、TensorFlow、Keras
【波士顿房价问题】：
dir(#数据库名称)
查看数据库中都有什么属性
#数据库名称[#属性名称]
查看属性中的具体数据内容
pandas：panel data set 即面板数据；可以理解为Excel，但比Excel更方便编程
1：correlation，salient feature显著特征
significant（salient）feature：决定因变量最重要的特征称为显著特征
pandas中有一个.corr() 函数，用于衡量两组变量的相关性，∈[-1,1]
-1为负相关，1为正相关。自变量为CRIM，ZN，INDUS等等，因变量为price。
可以看到CRIM对price的影响为-0.388305，CRIM与price的相关性为负数：代表CRIM越小，房价越高（即呈负相关）；
RM与price的相关性为0.695360：正相关，且最绝对值接近于1，代表这个特征较为显著；
（#dataframe为用pandas创建的一个表格）
【问题】：如何根据房屋里卧室的数量来估计房子的面积呢？
方法一：建立一个字典来索引，但是字典里没有的数据就会存在索引不到的问题。
X_rm = dataframe['RM'].values
Y = dataframe['price'].values
rm_to_price = {r : y for r , y in zip(X_rm , Y)} #一一映射创建字典
方法二：字典的优化，当找不到数据时，找一个与目标数据相接近的历史数据
Python 字典(Dictionary) items() 函数以列表返回可遍历的(键, 值) 元组数组。
def find_price_by_similar(history_price, query_x, topn=3)
#输入history_price为字典，query_x为想要查询的rm(房间数)，topn为最接近的三个值
most_similar_items = sorted(history_price.items(), key = lambda e : (e[0] - query_x)**2[:topn]
#匿名函数为：根据欲索引元素求字典元素[0]的平方差，即求出与索引最接近的topn个索引，输出仍为索引：索引值的形式
most_similar_prices = [price for rm, price in most_similar_items]
#rm : price for rm, price in most_similar_items创建price为索引值(因变量)，rm为索引(自变量)的字典；因为history_price字典中自有一套对映射关系,price也对应着history_price中因变量
#区别于上面的创建字典，price for rm, price in most_similar_items，只取price的值
average_prices = np.mean(most_similar_prices)
return average_prices #返回最接近的topn个价格的平均值
#topn的意思是获得最接近的topn个数据
#sorted是排序函数，根据key进行从小到大排序
find_price_by_similar(rm_to_price, 4)
#rm_to_price为从数据集读出整理成的字典
MIT计算机系一句名言：代码是给人看的，偶尔运行一下
2：K-Neighbor-Nearest => KNN 找到K个最近的邻居，在数据量比较大的时候，这种方法比较低效（find_price_by_similar其实就是knn算法的原理）
缺点：knn类似从书中一个个去找数据
Lazy Learning：当内容很多时，需要花费很多时间
机器学习：通过我们现有的知识（观察到的数据），去解决我们没见过的问题（预测分类）
3：通过拟合函数关系，输入x找到y
一个更有效的学习方法
如果我们能够找到x和y之间的函数关系，我们每次要计算得时候，输入给这个函数就能直接获得预测值 =＞拟合函数关系
目标：找到一组k和b使得拟合效果最好。
4：判断拟合效果Loss
什么叫做拟合效果好？=＞Loss函数（判断标准）
MSE（Mean Squared Error）：
越接近于0，效果越好。
此处的为kx+b，求k和b使得拟合效果最好。
①直接用微积分的方法做计算（最小二乘法取极值），缺点：预测函数太复杂了，没法求极值；
5：蒙特卡洛模拟获得最优的k和b
②用随机迭代的方法获得最优值（Random Approach/蒙特卡洛模拟），随机取k，b代入求得，缺点：前面更新很快，到后面更新越来越慢；（没有方向，瞎找）
、、
6：梯度下降获得最优的k和b
③梯度下降gradient descent（我们希望更新很快，一直在更新，有方向的【supervisor】）
通过计算梯度，我们就可以知道k的移动方向，应该让k向左走而不是向右走（或k向右走而不是向左走），也可以知道什么时候会到最低点（梯度为0的地方）。
梯度是loss对k或b的偏导，目的是为了找到使得loss最小的k和b。
版权声明：本文标题：01从零开始理解神经网络 内容由热心网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：https://m.elefans.com/xitong/1725269897a1015781.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。
发表评论