谷歌機器學習速成課程筆記 10（Regularization for Simplicity-簡化正則化）
之前已經討論瞭如何讓訓練損失降到最低（也就是獲取正確的樣本），今天，我們來討論且薄優質機器學習效果的第二個關鍵因素——正則化（概括而言，就是不要過於依賴樣本）。 從以下擬合曲線我們可以看出：隨着迭代次數越來越多，訓練損失會越來越少，不出所料，藍色曲線會不斷下降，最終會在某種程度上收斂於底端，但另一方面，紅線卻在上升，而紅線正是我們要關注的（因爲是通過測試集出來的結果嘛）。 我們在訓練集方面做的很好
相關文章
- 1. Google---機器學習速成課程(八)- 簡化正則化 (Regularization for Simplicity)
- 2. 谷歌機器學習速成課程筆記 13（Regularization for Sparsity-稀疏性正則化）
- 3. 機器學習筆記——正則化（Regularization）
- 4. 谷歌機器學習速成課程筆記 6（Generalization-泛化）
- 5. 吳恩達機器學習 課堂筆記 Chapter8 正則化（Regularization）
- 6. 7.谷歌《機器學習速成課程》筆記---驗證
- 7. 學習筆記(六）： Regularization for Simplicity
- 8. 谷歌機器學習速成課程筆記 12（Classification-分類）
- 9. 谷歌機器學習速成課程筆記 8（Validation-驗證）
- 10. 機器學習之正則化（Regularization）
- 更多相關文章...
- • Web 語義化 - 網站建設指南
- • Thymeleaf簡單格式化輸出 - Thymeleaf 教程
- • Tomcat學習筆記（史上最全tomcat學習筆記）
- • Git可視化極簡易教程 — Git GUI使用方法
相關標籤/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
歡迎關注本站公眾號,獲取更多信息
相關文章
- 1. Google---機器學習速成課程(八)- 簡化正則化 (Regularization for Simplicity)
- 2. 谷歌機器學習速成課程筆記 13（Regularization for Sparsity-稀疏性正則化）
- 3. 機器學習筆記——正則化（Regularization）
- 4. 谷歌機器學習速成課程筆記 6（Generalization-泛化）
- 5. 吳恩達機器學習 課堂筆記 Chapter8 正則化（Regularization）
- 6. 7.谷歌《機器學習速成課程》筆記---驗證
- 7. 學習筆記(六）： Regularization for Simplicity
- 8. 谷歌機器學習速成課程筆記 12（Classification-分類）
- 9. 谷歌機器學習速成課程筆記 8（Validation-驗證）
- 10. 機器學習之正則化（Regularization）