交叉验证与网格搜索前面讨论了监督学习和无监督学习的基本原理，并探索了多种机器学习算法，本章我们深入学习模型评估与参数选择。我们将重点介绍监督方法，包括回归与分类，因为在无监督学习中，模型评估与选择通常是一个非常定性的过程。到目前为止，为了评估我们的监督模型，我们使用 train_test_split 函数将数据集划分为训练集和测试集，在训练集上调用 fit 方法来构建模型，并且在测试集上用 sco

分类器的不确定度估计我们还没有谈到 scikit-learn 接口的另一个有用之处，就是分类器能够给出预测的不确定度估计。一般来说，你感兴趣的不仅是分类器会预测一个测试点属于哪个类别，还包括它对这个预测的置信程度。在实践中，不同类型的错误会在现实应用中导致非常不同的结果。想象一个用于测试癌症的医疗应用。假阳性预测可能只会让患者接受额外的测试，但假阴性预测却可能导致重病没有得到治疗。scikit-l

误差反向传播法上一章中，我们介绍了神经网络的学习，并通过数值微分计算了神经网络的权重参数的梯度（严格来说，是损失函数关于权重参数的梯度）。数值微分虽然简单，也容易实现，但缺点是计算上比较费时间。本章我们将学习一个能够高效计算权重参数的梯度的方法——误差反向传播法。要正确理解误差反向传播法，我个人认为有两种方法：一种是基于数学式； 另一种是基于计算图（computational graph）。前者是

深度学习用于计算机视觉文章目录深度学习用于计算机视觉1、卷积神经网络简介1.1、卷积运算1.1.1、理解边界效应与填充1.1.2、理解卷积步幅1.2、最大池化运算2、在小型数据集上从头开始训练一个卷积神经网络2.1、深度学习与小数据问题的相关性2.2、下载数据2.3、构建网络2.4、数据预处理2.5、使用数据增强卷积神经网络，也叫 convnet，它是计算机视觉应用几乎都在使用的一种深度学习模型。

<context-param>1、格式定义<context-param><param-name>contextConfigLocation</param-name><param-value>contextConfigLocationValue</param-value></context-param>作用：该元素用

神经网络入门文章目录神经网络入门1、神经网络剖析2、Keras3、电影评论分类：二分类问题总结神经网络的核心组件，即层、网络、目标函数和优化器。1、神经网络剖析训练神经网络主要围绕以下四个方面：层，多个层组合成网络（或模型）；输入数据和相应的目标；损失函数，即用于学习的反馈信号；优化器，决定学习过程如何进行。层：深度学习的基础组件神经网络的基本数据结构是层。层是一个数据处理模块，将一个或多个输入张

处理文本数据我们讨论过表示数据属性的两种类型的特征：连续特征与分类特征，前者用于描述数量，后者是固定列表中的元素。在许多应用中还可以见到第三种类型的特征：文本。举个例子，如果我们想要判断一封电子邮件是合法邮件还是垃圾邮件，那么邮件内容一定会包含对这个分类任务非常重要的信息。或者，我们可能想要了解一位政治家对移民 问题的看法。这个人的演讲或推文可能会提供有用的信息。在客户服务中，我们通常想知 道一条

数据表示与特征工程到目前为止，我们一直假设数据是由浮点数组成的二维数组，其中每一列是描述点的连续特征（continuous feature）。对于许多应用而言，数据的收集方式并不是这样的。一种特别常见的特征类型就是分类特征（categorical feature），也叫离散特征（discrete feature）。这种特征通常并不是数值。分类特征与连续特征之间的区别类似于分类和回归之间的区别，只是

神经网络（深度学习）虽然深度学习在许多特定的使用场景应用中都有巨大的潜力，但深度学习算法往往经过精确调整，只适用于特定的使用场景。这里讨论一些相对简单的方法，即用于分类和回归的多层感知机（MLP），它可以作为研究更复杂的深度学习方法的起点。MLP 也被称为（普通）前缀神经网络，有时也简称为神经网络。1、神经网络MLP 可以被视为广义的线性模型，执行多层处理后得到结论。还记得线性回归的预测公式为：y

交叉验证与网格搜索前面讨论了监督学习和无监督学习的基本原理，并探索了多种机器学习算法，本章我们深入学习模型评估与参数选择。我们将重点介绍监督方法，包括回归与分类，因为在无监督学习中，模型评估与选择通常是一个非常定性的过程。到目前为止，为了评估我们的监督模型，我们使用 train_test_split 函数将数据集划分为训练集和测试集，在训练集上调用 fit 方法来构建模型，并且在测试集上用 sco