机器学习 回归 分类 区别

我们都知道小学先学加法，接着学乘法，乘法的本质就是加法，所以我们说:"卷积的物理意义是：一个函数（如：单位响应）在另一个函数（如：输入信号）上的加权叠加。"

卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks），是深度学习（deep learning）的代表算法之一。顾名思义，就是将卷积与前馈神经网络结合，所衍生出来的一种深度学习算法。卷积神经网络CNN的结构图使用卷积神经网络（CNN）实现猫狗分类是一种有效的方法，它能够自动从图像中学习特征并进行分类，提高准确性。

机器学习03：使用logistic回归方法解决猫狗分类问题 文章目录机器学习03：使用logistic回归方法解决猫狗分类问题前言1. Logistic回归原理1.1 从线性回归说起1.2 多元线性回归问题1.3 对数线性回归2.本次实验数据集介绍3.数据处理方式4.logistic回归方法随机梯度下降方法5.结语 前言 Logistic回归方法，是最经典的机器学习方法。即使在今天，深度学习神经网络，他的算法核心也依旧包含logistic回归思想。在本篇博客中我会详细介绍他的算法原理，以及使用随机梯度下降法

目录一、实验准备二、环境配置1、插件安装2、TensorFlow&Keras三、猫狗数据集 一、实验准备 实验目的： 自己搭建卷积神经网络完成狗猫数据集的分类实验；将关键步骤用汉语注释出来。解释什么是overfit（过拟合）?什么是数据增强？如果单独只做数据增强，精确率提高了多少？然后再添加的dropout层，是什么实际效果？ 用Vgg19网络模型完成狗猫分类，写出实验结果； 实验环境： Anaconda3-Jupyter Notebook TensorFlow&Keras 二、

猫狗分类器是一个深度学习项目，旨在识别图像中的猫和狗。通过训练神经网络模型，该项目可以从输入的图像中准确地识别出是猫还是狗。这个项目可以应用于许多实际场景，如图像分类、动物识别等。

机器学习、分类问题和逻辑回归的基本概念、步骤、特点以及多分类问题的处理方法

一、分类、回归是什么？ 分类、回归，本质都是对输入做出预测，并且都是监督学习，简单来说就是，分析输入的内容，判断其类别或者预测其值。 二、分类、回归的区别？ 1、预测种类不同 （1）分类预测的是物体所属的种类，回归预测的是物体的具体数值 例如，最近北京天气变化大，为了能够对明天适宜的衣服以及是否携带雨伞做判断，我们需要根据过去已有的天气情况进行预测。 天气可以分为：晴、阴、雨 三类，我们现在已知的是今天及以前的天气情况，预测明天及以后几天的天气情况，如明天阴，后添晴，就是分类。 根据今天及前几天的温度，通

通过线性回归模型，我们可以得到特征（如时间、消费指数等）与目标变量（如物价）的关系。在上述场景中，目标变量（如是否患病、是否流失、是否为垃圾邮件）都是二元的，这使得逻辑回归成为一个合适的选择。在上述场景中，目标变量（如房价、销售额、温度等）都是连续的数值，这使得线性回归成为一个合适的选择。通过对比两种模型在特定数据集上的表现，加深对机器学习算法的理解，并学习如何评估模型的性能。垃圾邮件分类：根据邮件内容的特征（如词频、链接数量等）预测邮件是否为垃圾邮件。对数据进行必要的清洗和转换，如缺失值处理、标准化等。

实际应用中还需要根据数据集和具体需求进行调整和改进。此外，在运行代码之前，需要准备包含猫和狗图像数据的训练集和验证集，并将其分别存储在’train_directory’和’validation_directory’文件夹中。深度学习的进展。

这一节没什么好总结的，就涉及到一个人工处理特征的方法"Histgramcalculation"，有兴趣自己看notebook吧，直接附上代码链接：https://github.com/wbqjyjy/ML-/tree/master/kaggle实战案例/cat dog classification by DNN ...

维灾难 1.什么是维灾难 特征数量比较少的时候，越多特征，分类器性能越好 到达某点之后，分类器性能逐渐下降 随着维度的增加，分类器性能逐步上升，到达某点之后，其性能便逐渐下降 有一系列的图片，每张图片的内容可能是猫也可能是狗；我们需要构造一个分类器能够对猫、狗自动的分类。首先，要寻找到一些能够描述猫和狗的特征，这样我们的分类算法就可以利用这些特征去识别物体。猫和狗的皮毛颜色可能是一个很好的特征，...

思路：输入样本X与随机初始权重W相乘，利用sigmoid激活函数输出值，对于二分类问题，用交叉熵损失函数来计算损失值，通过交叉熵损失函数利用链式法则求出W和b的偏导，梯度下降更新W和b即可，（梯度下降又有很多，Momentum,Adam等后面在详细介绍）剩下的就是迭代次数和学习率的问题。 第一课作业直接给了数据集，无须对数据集操作，下面是读取数据集的代码，数据集链接https://downloa...