开启成长之旅！这是我参加「日新计划 12 月更文应战」的第3天，点击检查活动详情

万能迫临原理：MLP 能够迫临任何函数，如果迫临的效果欠好，能够添加几个节点或许多加几层。

制作神经网络的网址

markdown grammar

练习完之后保存模型：

#练习模型，练习进程保存在history中
ck_pt_cb = tf.keras,callbacks.ModelCheckpoint("best_model.h5",save_best_only = True)
ck_pt_cb = tf.keras,callbacks.EarlyStopping(patience = 10,restore_best_weights = True )

tf.keras.models.save_model(model,'hh.h5')

检查 Tensorflow 版本：print('Tensorflow Version:{}'.format(tf.__version__))

week 3

函数函数：也叫典型函数回归常用检测的指标。

[

机器学习-万能逼近原理

机器学习-万能逼近原理

人物人物的形状：

机器学习-万能逼近原理

  • 在课上老师说的 JO 函数这儿便是 J（0,1） *

梯度下降法

在下降的进程中找到最佳解

机器学习-万能逼近原理

机器学习-万能逼近原理

在下面这张图：

机器学习-万能逼近原理

：学习率（learning rate），操控我们在下降的时分迈出多大的步子

  • 值很大的时分，平均地跨度就很快，步子迈的大回，可能会赶快到达最后会点
  • 迈值小的时分，需求加快就很慢，子迈迈步才能够到最短时刻

0 ，1 需求同步更新才干

机器学习-万能逼近原理

当我们要在各地最方便的长处时，最好的倒数是更显现你现已主动引导到的最长处。那时分，依据定义，最低点的时分，导数的零点，当我们接近最低点的时分，会主动变小。

note

# 运用DataFrame 的head()办法能够检查前5行的内容
df.head()
​
# 检查DataFrame 数据集的简略描绘，特别是总行数，每个特点的类型和非空值的数量
df.info()
​
# 检查有多少中分类存在，每种分类下面别离有多少个区域
df["列名"].value_counts()
​
# 显现数值特点的摘要
df.describe()
​
​

describe() 出现的特点：

count、mean、min以及max行的意思很清楚。需求留意的是，这儿的空值会被忽略（因而本例中， total_bedrooms的count是20 433而不是20640

std行显现的是标准差（用来丈量数值的离散程度），25%、50%和75%行显现相应的百分位数：百分位数表明一组观测值中给定百分比的观测值都低于该值。例如，关于housing_median_age的值，25%的区域小于18，50%的区域小于29，以及75%的区域小于37。这些一般别离称为第25百分位数（或许第一四分位数）、中位数以及第75百分位数（或许第三四分位数）。

另一种快速了解数据类型的办法：制作每个数值特点的直方图

办法：df.hist()

%matplotlib inline #only in jupyter notebook
import matplotlib.pyplot as plt
df.hist(bins=50,figsize = (20,50))
plt.show()

hist() 办法依赖Matplotlib ，而 Matplotlib 又依赖于用户指定的图形后端才能在屏幕上完成制作。在制作之前，需求先指定 Matplotlib 运用那个后端。

最简略的办法便是运用 jupyter notebook 的奇特命令 %matplotlib inline，随后图形会在 notebook 上出现。

从网络上下载sklearn包需求下载ssl：

import ssl
ssl._create_default_https_context = ssl._create_unverified_context#下载数据集