文章目录    3.7 为什么需要非线性激活函数？（why need a nonlinear activation function?）    3.7 为什么需要非线性激活函数？（why need a nonlinear activation function?） 为什么神经网络需要非线性激活函数？事实证明：要让你的神经网络能够计算出有趣的函数，你必须使用非线性激活函数，证明如下：  如果你是用线性激活函数或者叫恒等激励函数，那么神经网络只是把输入线性组合再输出。 我们稍后会谈到深度网络，有很多层的神经网络，很多隐藏层。事实证明，如果你使用线性激活函数或者没有使用一个激活函数，那么无论你的神经...

文章目录    3.8 激活函数的导数（Derivatives of activation functions）    3.8 激活函数的导数（Derivatives of activation functions） 在神经网络中使用反向传播的时候，你真的需要计算激活函数的斜率或者导数。针对以下四种激活，求其导数如下： 1）sigmoid activation function  图3.8.1 其具体的求导如下：  2) Tanh activation function  图3.8.2 其具体的求导如下：  3）Rectified Linear Unit (ReLU)  4）Leaky lin...

文章目录    3.9 神经网络的梯度下降（Gradient descent for neural networks）    3.9 神经网络的梯度下降（Gradient descent for neural networks） 在这个视频中，我会给你实现反向传播或者说梯度下降算法的方程组，在下一个视频我们会介绍为什么这几个特定的方程是针对你的神经网络实现梯度下降的正确方程。  loss function和之前做logistic回归完全一样。 训练参数需要做梯度下降，在训练神经网络的时候，随机初始化参数很重要，而不是初始化成全零。当你参数初始化成某些值后，每次梯度下降都会循环计算以下预测值： ...

文章目录    3.10（选修）直观理解反向传播（Backpropagation intuition）    3.10（选修）直观理解反向传播（Backpropagation intuition） 这个视频主要是推导反向传播。 下图是逻辑回归的推导： 回想一下逻辑回归的公式(参考公式3.2、公式3.5、公式3.6、公式3.15) 公式3.38：  所以回想当时我们讨论逻辑回归的时候，我们有这个正向传播步骤，其中我们计算z，然后a，然后损失函数L。 公式3.39：  神经网络的计算中，与逻辑回归十分类似，但中间会有多层的计算。下图是一个双层神经网络，有一个输入层，一个隐藏层和一个输出层。 前向传...

文章目录    3.11 随机初始化（Random+Initialization）    3.11 随机初始化（Random+Initialization） 当你训练神经网络时，权重随机初始化是很重要的。对于逻辑回归，把权重初始化为0当然也是可以的。但是对于一个神经网络，如果你把权重或者参数都初始化为0，那么梯度下降将不会起作用。    由此可以推导，如果你把权重都初始化为0，那么由于隐含单元开始计算同一个函数，所有的隐含单元就会对输出单元有同样的影响。一次迭代后同样的表达式结果仍然是相同的，即隐含单元仍是对称的。通过推导，两次、三次、无论多少次迭代，不管你训练网络多长时间，隐含单元仍然计算的...

回归预测常见的评估指标  平均绝对误差（Mean Absolute Error，MAE） 均方误差（Mean Squared Error，MSE） 平均绝对百分误差（Mean Absolute Percentage Error，MAPE） 均方根误差（Root Mean Squared Error） R2（R-Square）  <mark>平均绝对误差MAE</mark> 平均绝对误差MAE，其能更好地反映预测值与真实值误差的实际情况，计算公式如下：  <mark>均方误差MSE</mark> 均方误差MSE的计算公式为：  <mark&g...

报错 Target is multiclass but average='binary'. Please choose another average setting, one of [None, 'micro', 'macro', 'weighted']. 解决：加上参数,average='micro' 源代码： # precision import numpy as np from sklearn.metrics import precision_score y_true = [1,1,0,0] y_pre = [1,2,1,0] print('precision指标为:',precisi...

文章目录  一、分类算法评价指标   1.分类准确度的问题 2.混淆矩阵 3.精准率和召回率 4.分类算法常见的评估指标如下 5.分类指标评价计算示例   1)精准率和召回率   Precision Recall  2）F1-score   F1-score  3)ROC曲线的AUC   单纯的计算AUC 绘制ROC曲线   封装TPR和FPR 求TPR和FPR 绘制 ROC 曲线：     二、多分类评价   1.多分类问题中的混淆矩阵    一、分类算法评价指标 1.分类准确度的问题 分类算法如果用分类准确度来衡量好坏将会存在问题。例如一个癌症预测系统，输入体检信息，可以判断是否有癌症，预...

清华： pip install pandas -i https://pypi.tuna.tsinghua.edu.cn/simple  豆瓣：  pip install pandas -i https://pypi.douban.com/simple

#coding:utf-8 #导入warnings包，利用过滤器来实现忽略警告语句。 import warnings warnings.filterwarnings('ignore')

可视化缺失值的库——missingno  文章目录  可视化缺失值的库——missingno 1.安装程序包并加载 2.导入训练数据集 3.无效矩阵的数据密集显示 4.条形图 5.热图相关性 6.树状图   1.安装程序包并加载 #pip install missingno import missingno as msno  2.导入训练数据集 import pandas as pd import numpy as np queshizhidata = pd.read_csv('./testdata/used_car_train_20200313.csv',sep = ' ')  3.无效矩阵...

Train_data['notRepairedDamage'].replace('-', np.nan, inplace=True)

skewness (偏态) <mark>正偏态分布(positive skewness distribution)<mark>是指频数分布的高峰偏于左侧，偏态系数为正值的频数分布形态。偏态分布分为</mark>正偏态</mark>和<mark>负偏态</mark>。当均值大于众数时称为正偏态；当均值小于众数时称为负偏态。 定义上偏度是样本的三阶标准化矩，定义式如下，其中k2，k3分别表示二阶、三阶中心矩：  还可以这么来看：  kurtosis（峰度） ==峰度（peakedness;kurtosis）==又称峰态系数。表...

文章目录  1.导入需要用的包 2.基本格式   数据指定 特殊参数 基础参数 返回  3.多变量之间的关系图   （1）散点图 （2）指定分类变量的散点图   使用调色板 使用不同的形状  （3）改变对角图   使用KDE 使用回归  （4）改变点形状，使用参数，使用edgecolor    1.导入需要用的包 #-*- coding:utf-8 -*- from __future__ import division import numpy as np import matplotlib.pyplot as plt import seaborn as sns  2.基本格式 seaborn...