q：為什麼樣本要新增雜訊？
a:因為害怕過擬合。神經網路的表徵能力是很強的，容易陷入過擬合。
資料集只能代表真實資料分布的區域性情況，除非資料集無限大（連續分布）或者包含所有可能的資料（離散分布），否則網路不能完全學習到資料的真實分布，所以不能完全覆蓋到真實的所有資料分布，即過擬合到區域性優化點。此時，資料擴增成為增加資料集的多樣性的乙個方法，也就能擴大網路擬合資料真實分布的能力，盡可能減小經驗風險，增加泛化效能，從而在未見過的測試集上表現更好。而資料擴增的乙個簡單方式就是對已有的資料進行擾動加噪。參考**
機器學習學習筆記
2.機器學習書籍 機器學習tom,這個是老經典，就是翻譯欠佳 prml，這個書正版的超貴，但是比較新且系統，可以通過其他途徑搞個副本。3.自己動手編碼實現2 3種經典演算法，比如svm，lr，bpnn等。4.了解spark上目前支援的機器學習方法的用途和用法，這個在日常工作中會用到。知道的多一點，方...
機器學習 學習筆記
關於梯度下降演算法的優化與 會有三種方法優化梯度下降演算法 1.共軛梯度下降法 conjugate 2.變尺度法 bfgs 3.限制變尺度法 l bfgs 這些方法的好處是 1.不用選擇學習速率 2.收斂的速度快，執行效率高 但是她們的缺點在於 實現她們的方法太複雜，所以我們就可以使用語言的內建庫函...
機器學習 學習筆記
監督學習 我們的學習演算法使用的資料是給出正確答案的資料，然後我們執行學習演算法，出更多的正確答案。理解為像深度需學習類似，利用訓練樣本訓練處學習模型，然後用測試樣本對學習到的模型進行檢測，輸出 結果。無監督學習 可以理解為對於學習演算法所使用的資料集並沒有給出正確答案，學習演算法就是要對這資料集進...