乙個浮不精確到7位小數。浮精確到大約7位有效數字。乙個重要的數字是任意數字，不是乙個佔位符0，包括在小數點左邊的。
例如，。0095有兩個佔位符零點，所以只有2位數。34.90有4個重要人物。
有兩種型別的我們需要警惕的浮點值的誤差：捨入誤差和精度誤差。
捨入誤差可以任意長度的數字發生，因為一些數字的二進位制有無限的表示（例如0.1），並表示將被截斷。捨入誤差通常會使你的答案錯了0.000001，或一些小的數目一樣。
第二和更嚴重的潛在誤差精度誤差，在那裡你的號碼無法儲存因為浮點數表示沒有足夠的記憶體。精度誤差更加嚴重，因為他們可以比捨入誤差更大程度的大小影響你的回答。
0.0095×36.75 = 0.349125，這是6個重要的人物，因此在這種情況下，你可能會在精度方面是好的。因此，你的回答將只能通過小的捨入誤差的影響。
但是，考慮乙個例子：0.0095×36.7513。雖然36.7513是小數點後4位，有6位有效數字。當乘以0.0095，答案是0.34913735。浮子將截斷為0.349137。
一旦你進入更大的金額，甚至不適合浮。考慮到100264.75美元。這是乙個8位數號碼，即使它只使用2位小數。已經乙個浮動是不會持有這個號碼。你對它做數學作業，這將漂移遠離你想回答。
總之，如果精度是非常重要的，使用雙。只使用漂浮在精度不重要（如在遊戲，而不管你的性格有137.24或137.25的強度）。
關於訓練誤差 測試誤差 泛化誤差
我們在學習模式識別的時候，總是會遇到一些專業詞彙，而其中有的專業詞彙叫人傻傻分不清。今天我就來說說訓練誤差 測試誤差 泛化誤差到底是什麼，區別所在。對於分類學習演算法，我們一般將樣本集分為訓練集和測試集，其中訓練集用於演算法模型的學習或訓練，而測試集通常用於評估訓練好的模型對於資料的 效能評估。而這...
近似誤差 與 估計誤差
近似誤差 可以理解為對現有訓練集的訓練誤差。估計誤差 可以理解為對測試集的測試誤差。近似誤差關注訓練集，如果近似誤差小了會出現過擬合的現象，對現有的訓練集能有很好的 但是對未知的測試樣本將會出現較大偏差的 模型本身不是最接近最佳模型。近似誤差其實可以理解為模型估計值與實際值之間的差距。估計誤差其實可...
截斷誤差VS捨入誤差
截斷誤差 是指計算某個算式時沒有精確的計算結果，如積分計算，無窮級數計算等，使用極限的形式表達的，顯然我們只能擷取有限項進行計算，此時必定會有誤差存在，這就是截斷誤差。捨入誤差 是指由於計算機表示位數的有限，很難表示位數很長的數字，這時計算機就會將其舍成一定的位數，引起捨入誤差，每一步的捨入誤差是微...