目標：**建模
方法：機器學習
實際：泛函分析
本質：找到乙個目標函式f，使其成為輸入變數x到輸出變數y之間的最佳對映：y=f(x)
1.線性回歸[常用spss]
一元：y=ax+b+c，誤差c服從均值為0的正態分佈
n元：y=a1x1+a2x2+a3x3+...anxn+b+c，誤差c服從均值為0的正態分佈
方法：待定係數法，先決定影響因素個數，1個還是多個，若1個，設未知數a，b，樣本點到直線l：ax+b-y=0的距離平方和函式w(a,b)是二元二次函式，先確定邊界點，再確定邊界內是否光滑，若是，求偏導[梯度下降優化]，令其為0，求出a，b。若不光滑，將不可導點和邊界點作為可疑點帶入計算，求w最小值[普通最小二乘法]對應的a,b。確定a，b後，計算每個點到回歸線的誤差，檢驗誤差是否服從均值為0的正態分佈，相關係數r代表能被回歸直線解釋的比例，多元同理。
2.邏輯回歸[實際用的比線性回歸多，因為邏輯判斷是社會衡量事情的主要方式，比如大中小戶，優良中差][常用spss]
一元：y=a(x)x+b+c，d為y的臨界點，通常為0.5，誤差c服從均值為0的正態分佈
n元：y=a1(x1)x1+a2(x2)x2+a3(x3)x3+...an(xn)xn+b+c，d為y的臨界點，通常為0.5，誤差c服從均值為0的正態分佈
它的目標是找出每個輸入變數的加權系數值，**輸出值的函式是非線性的
邏輯回歸的函式影象看起來是乙個大的s形，並將任何值轉換至0到1的區間[由於慣性起步慢，中途突破臨界點，開始加速，後期受到天命，資源限制，開始減速，比如有人考90，有人考100，考90的是突破了臨界點，考100的是受到了分數上限的限制]
機器學習 演算法調參
coding utf 8 演算法調參.ipynb automatically generated by colaboratory.original file is located at 超引數優化 這是機器學習模型解決問題的最後乙個步驟，並不是整個解決方案的最後一步。不會調參就不能說會機器學習。引數...
機器學習 調參
在實際調整引數之前，我們先要搞清楚兩個事情 1.調參的目的是什麼？2.調參調的東西具體是什麼？第乙個問題 調參的目的是什麼？調參的最終目的是要使訓練之後的模型檢測物體更精確，向程式的方向更靠近一步的話，就是使得損失函式 例如ssd中的loss 盡量小 因為利用訓練集訓練出來的模型質量在訓練過程中只能...
初級演算法班（1） 機器學習相關概念
寫在前面 這是初級演算法版第一次作業的第二部分，同樣由於時間原因準備的不充分，使用的是csdn的富文字編輯器，今天結束後會熟悉一下markdown編輯器，希望下次至少在格式上有所改進。一.有監督學習 1 從有標記的訓練資料中推導出 函式 2 有標記的訓練資料是指每個訓練例項都包括輸入和期望的輸出 3...