这几个机器学习核心问题，不会数学也能搞定！

虽然，为了获得更多的点，我们老是可以网络更多的数据。但偶然辰，你会发明本身只是一个清贫的本科生，没有别人拥有的经费、时刻或资源。无论怎样，偶然网络更多的数据是不行行的。因此，与其这样做，我们可以忽略部门实习数据，并用被我们漏掉的点来“添加”点!

这也不是一个新观念——这是行使了验证集(我们在验证齐集验证那些模子从实习齐集找到的模式)。行使验证集来确定特定的过拟合地区是一种新要领。然而，人们没有这样做是有缘故起因的。

“绿色”地区看起来很不错，但起首，它们很难找到，其次，这些地区的构建依靠于数据。简朴来说，有些地区明明是“绿色”的，有些地区明明是“黄色”的，可是有些地区很难确定颜色，由于这些地区是环绕实习数据成立的。这个题目的办理要领依靠于与美国沟通的根基原则。假如针对差异数据实习的两个模子获得了沟通的“黄色”地区，那就会很稀疏。

因此，对付第一个模子中不确定的地区，假如基于差异数据的模子来一再这个着色进程，便可以按照第二个模子来抉择它们的颜色! 假如这个模子发明白沟通的地区，那么我们可以很是必定它不是偶尔发明的，以是它应该是“绿色“的。相反，假如第二个模子没有找到该地区，那么很大噶?鎏扰，应该将其涂成“黄色”。

那么，要怎样确定这些地区呢? 通过找集群! 你也许会问，什么是找集群?

来历：wikiepdia.org

找集群就是在数据中找到集群。如图所示，找集群就是在数据中找到三个集群。统一集群中的点看起来与模子相似。假若有多种要领可以转换这些点并在模子中绘制(譬喻，在神经收集的每一层中)，那么按照界说，在全部图中处于沟通集群中的点对模子来说是不行区分的。这很清楚——假如模子可以或许区分它们，那么它们在某个时辰就会在差异的集群中。无论怎样，假如界说了这些老是在统一个集群中的点的位置，那么此刻就有了各自的地区了!

呆板进修就是探求可以或许疏散点的算法(尚有回归)。算法倾向于找到绿线，由于这将最小化分类错误。呆板进修的挑衅在于找到一种可以获得黑线的算法，由于这也许在新的点上更有用。正则化，也就是奇妙的数学，辅佐我们获得更靠近黑线的对象。

（编辑：湖南网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!