forge数据集可以用于模拟二分类问题，数据集包含26个数据点和2个特征，两种输出。import mglearnimport matplotlib.pyplot as plt# 生成数据集X, y = mglearn.datasets.make_forge() # 输入，目标# 数据集绘图mglearn.discrete_scatter(X[:, 0], X[:, 1], y) # 第一个特征为x

实例：分类树在合成数集上的表现实例：一维回归图像的绘制

特征工程：如何找到最佳的数据表示。连续特征：由一系列浮点数组成的数组描述。分类特征/离散特征：以不连续的方式变化描述一件产品的属性。分类变量分类特征是一系列固定的可能取值（而不是一个范围），表示的是定性属性（而不是数量）。数据的输入特征，当这个特征是数据时，一系列计算公式才有意义。于是需要换一种方式来表示数据。One-Hot编码/N取一编码/虚拟变量通常将一个分类特征的k个可能取值编码为k-1个特

感知机（perceptron）是具有输入和输出的算法。给定一个输入以后，将输出一个既定的值。类似于用编程实现数字逻辑中的电路。感知机将权重和偏置设定为参数。感知机会计算输入信号和权重的乘积，然后加上偏置，如果这个值大于0则输出1，否则输出0。b+w1x1+w2x2可以看作一位数组做得矩阵乘积[x1,x2]*[w1,w2]+b权重ω是控制输入信号的重要性的参数，偏置b是调整神经元被激活的容易程度（输

感知机需要人为设定符合预期输入输出的权重。神经网络可以自动地从数据中心学习到合适的参数。质朴感知机：指单层网络，激活函数使用了阶跃函数的模型。多层感知机：指神经网络，使用平滑的激活函数的多层网络。激活函数激活函数是将输入信号的总和转换为输出信号的函数。y = h(∑xi*wi)阶跃函数阶跃函数以阈值为界，一旦输入超过阈值，就切换输出。感知机中流动的是0或1的二元信号。import numpy as

感知机（perceptron）是具有输入和输出的算法。给定一个输入以后，将输出一个既定的值。类似于用编程实现数字逻辑中的电路。感知机将权重和偏置设定为参数。感知机会计算输入信号和权重的乘积，然后加上偏置，如果这个值大于0则输出1，否则输出0。b+w1x1+w2x2可以看作一位数组做得矩阵乘积[x1,x2]*[w1,w2]+b权重ω是控制输入信号的重要性的参数，偏置b是调整神经元被激活的容易程度（输

感知机（perceptron）是具有输入和输出的算法。给定一个输入以后，将输出一个既定的值。类似于用编程实现数字逻辑中的电路。感知机将权重和偏置设定为参数。感知机会计算输入信号和权重的乘积，然后加上偏置，如果这个值大于0则输出1，否则输出0。b+w1x1+w2x2可以看作一位数组做得矩阵乘积[x1,x2]*[w1,w2]+b权重ω是控制输入信号的重要性的参数，偏置b是调整神经元被激活的容易程度（输

StyleGan的学习摸摸索索着开始了，大部分参照别的博主大佬。会附上所有的学习链接。环境安装WIN10+CUDA10 +CUDNN7.5+ TENSORFLOW-GPU1.13.1 + python3.7 运行NVIDIA STYLEGAN 的安装过程和踩坑实录学习http://www.seeprettyface.com/research_notes.html...

特征工程：如何找到最佳的数据表示。连续特征：由一系列浮点数组成的数组描述。分类特征/离散特征：以不连续的方式变化描述一件产品的属性。分类变量分类特征是一系列固定的可能取值（而不是一个范围），表示的是定性属性（而不是数量）。数据的输入特征，当这个特征是数据时，一系列计算公式才有意义。于是需要换一种方式来表示数据。One-Hot编码/N取一编码/虚拟变量通常将一个分类特征的k个可能取值编码为k-1个特

预处理：对数据的一种简单的按特征的缩放和移动。不同类型的预处理这是一个有两个特征(x/y)的二分类数据集，四种预处理方法：StandardScaler：确保每个特征的平均值为0，方差为1。RobustScaler：使用中位数和四分位数（四分之一），确保每个特征的统计属性都位于同一范围。MinMaxScalar：移动数据，使所有特征都刚好位于0-1之间。Normalizer：对每个数据点进行缩放，使