特征工程是机器学习数据准备过程中的核心任务，主要是通过变换数据集的特征空间，从而提高数据集的预测建模性能。（3）算法与参数选择决定了如何逼近这个上限。（1）数据的特征决定了模型的上限。深度学习也是机器学习的一部分。（2）预处理和特征提取是核心的。

import osimport shutil# 想要移动文件所在的根目录rootdir = "images"# 获取目录下文件名清单list = os.listdir(rootdir)# 移动图片到指定文件夹for i in range(0, len(list)):# 遍历目录下的所有文件夹path = os.path.join(rootdir, list[i])list_split1=list[

思路：在我们训练模型的时候如果训练数据集过于大，系统可能会报“out of memory”的错误，这时候需要我们减小数据集，也就是将npy文件变小。主要方法就是把npy文件转化成numpy数组并截取。举例如下：import numpy as nppre_train=np.load("train_ims.npy",allow_pickle=True,encoding="latin1")slice=p

矩阵不可逆的情况下我们称为奇异或退化矩阵，在octave里有两个函数可以求解矩阵的逆pinv和inv，即使矩阵不可逆我们利用pinv能算出θ。矩阵不可逆常见的原因有两种，第一由于某种原因学习问题包括了多余的特征，举例来说x_1表示以平方英尺为单位的变量，x_2表示以平方米为单位的变量，由于平方英尺和平方米有着转换关系，所以两个类似的变量出现了多余，第二是因为运行的学习算法有很多特征，假设有m=4个

train.pyimport torchfrom torch import nnfrom torch.nn import functional as Ffrom torchvision import transformsfrom torch.utils.data import DataLoader,Datasetfrom torch import optimimport osimport csvf

思路：在我们训练模型的时候如果训练数据集过于大，系统可能会报“out of memory”的错误，这时候需要我们减小数据集，也就是将npy文件变小。主要方法就是把npy文件转化成numpy数组并截取。举例如下：import numpy as nppre_train=np.load("train_ims.npy",allow_pickle=True,encoding="latin1")slice=p