2401_88244350的博客

假设你是一个大学系的管理员，你想根据两次考试的结果来决定每个申请人的录取机会。你有以前的申请人的历史数据，你可以用它作为逻辑回归的训练集。对于每一个培训例子，你有两个考试的申请人的分数和录取决定。浮动仍然比较大，我们来尝试下对数据进行标准化 将数据按其属性(按列进行)减去其均值，然后除以其方差。最后得到的结果是，对每个属性/每列来说所有数据都聚集在0附近，方差值为1。随机梯度下降更快，但是我们需要迭代的次数也需要更多，所以还是用batch的比较合适！更多的迭代次数会使得损失下降的更多！

就是利用正交变换，相当于建立一个新的坐标系，然后把数据映射到新的坐标系中，或者说是投影到新的坐标系中，这样可以密密麻麻的一团数据进行降维，也会使数据变得更容易划分。极大似然估计，其实有点类似梯度下降，是一个不断更新期望的过程，就是不但更新均值，一开始先设定一个大概可能的均值，然后，进行更新，直到其基本不变化的时候，就可以了。（机器学习笔记和新的体会，自己的一些理解，后续不断慢慢完善）

在机器学习和数据挖掘的应用中，scikit-learn是一个功能强大的python包。在数据量不是过大的情况下，可以解决大部分问题。学习使用scikit-learn的过程中，我自己也在补充着机器学习和数据挖掘的知识。这里根据自己学习sklearn的经验，我做一个总结的笔记。另外，我也想把这篇笔记一直更新下去。fit()：训练算法，设置内部参数。接收训练集和类别两个参数。predict()：预测测试集类别，参数为测试集。

会直接跳转到浏览器中，可视化，如果没有跳转你就自己把url粘贴到浏览器中即可！2、下载完直接安装，界面和上面在线的Netron一样，直接导入模型可视化即可。Netron几乎支持可视化所有的主流的深度学习框架预训练模型，2、直接使用start(pred_model)函数可视化。1、下载windows 的Netron的exe软件包。还有一些其他函数的使用，自从查看具体使用;下测试，其他环境同理安装软甲即可！从可视化话的结果可以看出如下信息。使用API可视化，首先需要使用。1、安装Netron。

https://blog.csdn.net/kicilove/article/details/78051533#commentBoxhttps://blog.csdn.net/jinping_shi/article/details/52433975https://www.cnblogs.com/jclian91/p/9824310.htmlhttps://zhuanlan.zhihu.com/p/48426076