本文讨论了如何判断机器学习模型存在高方差还是高偏差问题。以语音识别为例，训练误差10.8%与人类表现10.6%接近，说明偏差不大；而测试误差14.8%与训练误差差距较大，表明存在高方差。建议建立基准性能（如人类表现或竞争算法）作为参照：训练误差与基准的差距反映偏差大小，训练误差与验证误差的差距则反映方差程度。这种方法能有效诊断模型问题。

机器学习与深度学习的层级关系可以概括为：人工智能(AI)包含机器学习(ML)，ML包含神经网络(NN)，而深度学习(DL)是深层神经网络的特例。AI旨在让机器模仿人类智能；ML是AI的核心分支，通过数据自动学习规律；NN是ML的一种模型，模仿人脑神经元；DL指层数≥3的NN，能自动提取特征。简单记忆：DL是深层NN，NN属于ML，ML属于AI。当前DL在图像、语音等领域应用最广泛。

摘要：机器学习模型可能面临欠拟合或过拟合问题。欠拟合指模型无法很好捕捉训练数据中的模式，表现为高偏差；而过拟合则是模型过度拟合训练数据，缺乏泛化能力，表现为高方差。理想模型应处于两者之间，既能准确拟合训练数据，又具备良好的泛化能力，能在新数据上做出准确预测。寻找这种平衡是机器学习的核心目标之一。

所以我们只关注对数函数 横轴0-1的部分，因为我们模型0要输出两种情况，0-1，所以要分情况去定义成本函数，1是一种情况，0是一种情况，在用代码实现的时候，也要对数据集的输出结果进行区分然后再带入模型进行训练，要用梯度下降，对模型进行训练，代价函数最好是凸函数，这样用梯度下降优化的时候，可以找到全局最小值，在线性回归中，成本函数是，均方误差，计算预测值和真实值的差值的平方，然后取平均值，来衡量模型

在烘烤咖啡豆的时候，我们可以控制两个参数，一个是烘焙温度，一个是烘焙时间，我们收集了这种数据，以及显示了该情况下烘焙咖啡豆出来的咖啡时候好喝标签，其中×号表示好喝，圆圈表示不好喝，如图所示。然后对于第二层，属于一个全连接层，对应第四行代码，创建一层，然后应用第一场的激活值，计算a2，如果希望0.5是阈值，可以比较a2与0.5，并设置1或者0表示正类或者父类，我们可以看到，如果温度太低，或者时间太短

在烘烤咖啡豆的时候，我们可以控制两个参数，一个是烘焙温度，一个是烘焙时间，我们收集了这种数据，以及显示了该情况下烘焙咖啡豆出来的咖啡时候好喝标签，其中×号表示好喝，圆圈表示不好喝，如图所示。然后对于第二层，属于一个全连接层，对应第四行代码，创建一层，然后应用第一场的激活值，计算a2，如果希望0.5是阈值，可以比较a2与0.5，并设置1或者0表示正类或者父类，我们可以看到，如果温度太低，或者时间太短

场景还原在 Power Query 中合并多个结构相同的工作表时，你是否遇到过这样的问题？​​。如果手动逐个表格“提升标题”，不仅效率低下，还容易出错。比如某公司每天导出的销售数据，前4行是公司Logo和填报人信息，第5行开始才是真正的列名（日期、产品、销量）。我们需要批量跳过前4行，将第5行设为标题，再合并所有表格。每个表都是这样子的一行代码搞定全部表代码讲解。

同样，我们可以将SQL 的参数用变量代替，然后再sheet中空值变量，就会更加的灵活。安装好驱动之后我们打开EXCEL 的PQ 新建两个空白查询。一个用来写sql 一个用来调用SQL取数。两个驱动，用来将Excel链接数据库。这样我们就获取到了数据库中的数据了。