注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. 机器学习-03. 梯度下降和过拟合和归一化（上）

  2. 人工智能基础视频教程零基础入门课程 第三章（上） 人工智能基础视频教程零基础入门课程，不需要编程基础即可学习，共15章，由于整体课程内容太大，无法一次传输，分章节上传。 第一章 人工智能开发及远景介绍（预科） 第二章 线性回归深入和代码实现 第三章 梯度下降和过拟合和归一化 第四章 逻辑回归详解和应用 第五章 分类器项目案例和神经网络算法 第六章 多分类、决策树分类、随机森林分类 第七章 分类评估、聚类 第八章 密度聚类、谱聚类 第九章 深度学习、TensorFlow安装和实现 第十章 Ten

  3. 所属分类：机器学习

    • 发布日期：2020-07-15
    • 文件大小：805306368
    • 提供者：suolong123

  1. 非线性最小二乘拟合的计算方法

  2. 本文对工程中经常遇到的非线性最小二乘拟合问题提出了一 个计算机算法 该方法共 分两步 首先利用优选法求出非线性参数 ,然后计算线性参数。对于三参数曲线 ,利用线性回归分析求线性参数 对于多参数曲线 ,则利用广义逆矩阵理论求出线性参数。在这些算法中,迭代初值可 以任意选取 ,而迭代总是收敛的

  3. 所属分类：教育

    • 发布日期：2011-06-17
    • 文件大小：245760
    • 提供者：fengzhigezhe

  1. 最小二乘法线性拟合.xlsx

  2. 旨在帮助第一次接触大学物理实验绪论的同学脱离苦海。​​​​​​具体使用方法在文件中有介绍 。

  3. 所属分类：教育

    • 发布日期：2020-09-01
    • 文件大小：20480
    • 提供者：yuexiaqiufeng

  1. python 线性回归分析模型检验标准--拟合优度详解

  2. 今天小编就为大家分享一篇python 线性回归分析模型检验标准--拟合优度详解，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

  3. 所属分类：其它

    • 发布日期：2020-09-17
    • 文件大小：91136
    • 提供者：weixin_38601215

  1. Python数据拟合与广义线性回归算法学习

  2. 主要为大家详细介绍了Python数据拟合与广义线性回归算法，具有一定的参考价值，感兴趣的小伙伴们可以参考一下

  3. 所属分类：其它

    • 发布日期：2020-09-20
    • 文件大小：168960
    • 提供者：weixin_38500948

  1. Tensorflow使用支持向量机拟合线性回归

  2. 主要为大家详细介绍了Tensorflow使用支持向量机拟合线性回归，具有一定的参考价值，感兴趣的小伙伴们可以参考一下

  3. 所属分类：其它

    • 发布日期：2020-09-20
    • 文件大小：94208
    • 提供者：weixin_38697557

  1. Tensorflow实现神经网络拟合线性回归

  2. 主要为大家详细介绍了Tensorflow实现神经网络拟合线性回归，具有一定的参考价值，感兴趣的小伙伴们可以参考一下

  3. 所属分类：其它

    • 发布日期：2020-09-19
    • 文件大小：53248
    • 提供者：weixin_38734269

  1. 基于稀疏谱拟合的超分辨方位估计

  2. 考虑到各阵元接收的实际环境噪声可能是相关的，以及风成噪声和远处航船噪声等因素的影响，环境噪声强度的空间分布可能具有方向性。利用非均匀环境噪声模型，结合稀疏谱拟合算法，提出了一种基于稀疏谱拟合的超分辨方位估计算法。该算法利用空间信号的稀疏性和线性噪声模型拟合误差的l2-范数联合最小化，实现非均匀环境噪声条件下的超分辨方位估计。通过计算机仿真讨论了正则参数和线性噪声模型阶数对算法性能的影响，海上试验结果表明了该算法较传统算法和稀疏谱拟合算法具有更低的旁瓣级和更好的方位分辨能力，同时有效验证了该算法在

  3. 所属分类：其它

    • 发布日期：2020-10-15
    • 文件大小：619520
    • 提供者：weixin_38569722

  1. matlab曲线拟合_-_非常好非常全面的介绍M拟合的参考资料.pdf

  2. Mathworks 产品的曲线拟合特色，曲线拟合工具箱（Curve Fitting Toolbox），Matlab 内建函数与其他的带有曲线拟合能力的附加产品（工具箱），线性曲线拟合，非线性曲线拟合

  3. 所属分类：深度学习

    • 发布日期：2020-10-21
    • 文件大小：446464
    • 提供者：lumirous1

  1. Matlab最小二乘拟合图像

  2. Matlab最小二乘拟合图像；可以拟合任意数量的数据；可查看截距、斜率；有网格；之线区间可以根据自己实际需求改写，默认600；显示线性度的最大非线性；有图例，说明哪个数据是什么

  3. 所属分类：教育

    • 发布日期：2020-12-16
    • 文件大小：1024
    • 提供者：weixin_46266924

  1. 算法应用，单变量线性回归&梯度下降：已知如下数据集，绘制出数据集的散点图并给出能够和所有散点拟合出最好的一条直线

  2. import numpy as np import matplotlib.pyplot as plt # 算法应用，单变量线性回归&梯度下降：已知如下数据集，绘制出数据集的散点图并给出能够和所有散点拟合出最好的一条直线 # 预测函数 def getHypo(X, theta): return np.dot(X, theta) # 代价函数 def getCost(h, y): m = len(h) return (1.0 / 2*m) * np.sum(np.square

  3. 所属分类：其它

    • 发布日期：2020-12-22
    • 文件大小：51200
    • 提供者：weixin_38645862

  1. python 线性回归分析模型检验标准–拟合优度详解

  2. 建立完回归模型后，还需要验证咱们建立的模型是否合适，换句话说，就是咱们建立的模型是否真的能代表现有的因变量与自变量关系，这个验证标准一般就选用拟合优度。 拟合优度是指回归方程对观测值的拟合程度。度量拟合优度的统计量是判定系数R^2。R^2的取值范围是[0，1]。R^2的值越接近1，说明回归方程对观测值的拟合程度越好；反之，R^2的值越接近0，说明回归方程对观测值的拟合程度越差。 拟合优度问题目前还没有找到统一的标准说大于多少就代表模型准确，一般默认大于0.8即可 拟合优度的公式：R^2 = 1

  3. 所属分类：其它

    • 发布日期：2020-12-20
    • 文件大小：93184
    • 提供者：weixin_38551187

  1. python之拟合的实现

  2. 一、多项式拟合 多项式拟合的话，用的的是numpy这个库的polyfit这个函数。那么多项式拟合，最简单的当然是，一次多项式拟合了，就是线性回归。直接看代码吧 import numpy as np def linear_regression(x,y): #y=bx+a，线性回归 num=len(x) b=(np.sum(x*y)-num*np.mean(x)*np.mean(y))/(np.sum(x*x)-num*np.mean(x)**2) a=np.mean(y)-b*np.me

  3. 所属分类：其它

    • 发布日期：2020-12-31
    • 文件大小：101376
    • 提供者：weixin_38717156

  1. AI之过拟合、欠拟合及其解决方案

  2. 过拟合、欠拟合及其解决方案模型选择、过拟合和欠拟合训练误差和泛化误差模型选择验证数据集K折交叉验证过拟合和欠拟合模型复杂度训练数据集大小多项式函数拟合实验初始化模型参数定义、训练和测试模型三阶多项式函数拟合（正常）线性函数拟合（欠拟合）训练样本不足（过拟合）权重衰减方法L2L_2L2​范数正则化（regularization）高维线性回归实验从零开始的实现初始化模型参数定义L2范数惩罚项定义训练和测试观察过拟合使用权重衰减简洁实现丢弃法丢弃法从零开始的实现简洁实现 模型选择、过拟合和欠拟合 训练

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：228352
    • 提供者：weixin_38649657

  1. Datawhale&kesci&伯禹教育-深度学习-第二次打卡1 过拟合&欠拟合的解决方法

  2. 训练误差和泛化误差 训练误差： 在训练数据上表现得误差 泛化误差：在任意测试数据上表现的误差的期望 通过损失来衡量误差。例如，线性回归用平方损失函数，softma用的交叉熵回归。 模型的核心是降低泛化误差。 常见训练数据划分方法 1.留有一定比例的验证集 2. K折交叉验证 欠拟合（无法得到较低的误差）和过拟合（训练误差远小于测试误差） 产生的原因： 模型复杂度和训练数据 1.模型复杂度 2. 训练数据 一般来说训练数据随模型成正比例关系。 解决方法 ： L2范数正则化 通过模型的计算误差来惩罚

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：113664
    • 提供者：weixin_38744557

  1. 小结3：过拟合欠拟合及其解决方案；梯度消失、梯度爆炸；循环神经网络进阶

  2. 文章目录过拟合、欠拟合及其解决方法过拟合问题（high variance）欠拟合问题（high bias）梯度消失及梯度爆炸循环网络进阶 过拟合、欠拟合及其解决方法 过拟合问题（high variance） 过拟合问题：是指模型太过复杂，对训练数据效果好，而对新样本泛化能力较弱。 （训练误差低 验证误差高） 产生过拟合的可能原因，可能为其中之一或者都有： 模型的复杂度过高。如网络太深，神经网络中；或者线性回归中模型的阶次 过多的变量特征 训练数据过少 如何解决过拟合： 降低模型复杂度 减少特征数

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：61440
    • 提供者：weixin_38598745

  1. Task03:过拟合、欠拟合及其解决方案/梯度消失、梯度爆炸/循环神经网络进阶

  2. 1 过拟合、欠拟合及其解决方案 训练误差和泛化误差 在解释上述现象之前，我们需要区分训练误差（training error）和泛化误差（generalization error）。通俗来讲，前者指模型在训练数据集上表现出的误差，后者指模型在任意一个测试数据样本上表现出的误差的期望，并常常通过测试数据集上的误差来近似。计算训练误差和泛化误差可以使用之前介绍过的损失函数，例如线性回归用到的平方损失函数和softmax回归用到的交叉熵损失函数。 机器学习模型应关注降低泛化误差。 模型选择 验证数据集

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：771072
    • 提供者：weixin_38722891

  1. 动手学深度学习——task3过拟合、欠拟合以及解决方案、梯度消失和梯度爆炸

  2. 过拟合和欠拟合的概念 过拟合：模型训练误差远小于在测试数据集上的误差，也就是说数据在训练时模型的预测效果好，但是在测试的数据上(要预测的新数据)不能很好的进行预测。 欠拟合：模型无法得到较低的训练误差，也就是说，在训练数据的过程中，就不能很好的对数据进行预测。 主要因素模型复杂度和训练数据集大小 模型复杂度 为了解释模型复杂，以简单多项式函数拟合为例。给定一个由标量数据特征 x 和对应的标量标签 y 组成的训练数据集，多项式函数拟合的目标是找一个 K 阶多项式函数来近似 y 。 在上式中，

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：136192
    • 提供者：weixin_38538021

  1. 过拟合与欠拟合

  2. 模型选择、过拟合和欠拟合 训练误差和泛化误差 在解释上述现象之前，我们需要区分训练误差（training error）和泛化误差（generalization error）。通俗来讲，前者指模型在训练数据集上表现出的误差，后者指模型在任意一个测试数据样本上表现出的误差的期望，并常常通过测试数据集上的误差来近似。计算训练误差和泛化误差可以使用之前介绍过的损失函数，例如线性回归用到的平方损失函数和softmax回归用到的交叉熵损失函数。 机器学习模型应关注降低泛化误差。 模型选择 验证数据集 从严格

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：48128
    • 提供者：weixin_38670297

  1. Task03：过拟合、欠拟合及其解决方案学习笔记

  2. 过拟合、欠拟合及其解决方案 过拟合、欠拟合的概念 权重衰减 丢弃法 模型选择、过拟合和欠拟合 训练误差和泛化误差 在解释上述现象之前，我们需要区分训练误差（training error）和泛化误差（generalization error）。通俗来讲，前者指模型在训练数据集上表现出的误差，后者指模型在任意一个测试数据样本上表现出的误差的期望，并常常通过测试数据集上的误差来近似。计算训练误差和泛化误差可以使用之前介绍过的损失函数，例如线性回归用到的平方损失函数和softmax回归用到的交叉熵损失函

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：108544
    • 提供者：weixin_38727199
« 1 2 3 4 5 6 78 9 10 11 12 ... 50 »