开启掘金成长之旅！这是我参与「掘金日新计划 · 12 月更文挑战」的第3天，点击查看活动详情

万能逼近原理：MLP 能够逼近任何函数，如果逼近的效果不好，可以增加几个节点或者多加几层。

训练完之后保存模型：

 #训练模型，训练过程保存在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')

查看 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。

[

人物角色的形状：

在课上老师说的 JO 函数这里就是 J（θ0,θ1） *

梯度下降法

在下降的过程中找到最佳解

在下面这张图：

α：学习率（learning rate），控制我们在下降的时候迈出多大的步子

α值很大的时候，平均地跨度就很快，步子迈的大回，可能会尽快到达最后会点
α迈值小的时候，需要加速就很慢，子迈迈步才可以到最短时间

θ0 ，θ1 需要同步更新才干

当我们要在各地最快捷的优点时，最好的倒数是更显示你已经自动引导到的最优点。那时候，根据定义，最低点的时候，导数的零点，当我们接近最低点的时候，会自动变小。

note

 # 使用DataFrame 的head()方法可以查看前5行的内容
 df.head()
 
 # 查看DataFrame 数据集的简单描述，特别是总行数，每个属性的类型和非空值的数量
 df.info()
 
 # 查看有多少中分类存在，每种分类下面分别有多少个区域
 df["列名"].value_counts()
 
 # 显示数值属性的摘要
 df.describe()

describe() 出现的属性：

count、mean、min以及max行的意思很清楚。需要注意的是，这里的空值会被忽略（因此本例中， total_bedrooms的count是20 433而不是20640

std行显示的是标准差（用来测量数值的离散程度），25%、50%和75%行显示相应的百分位数：百分位数表示一组观测值中给定百分比的观测值都低于该值。例如，对于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。这些通常分别称为第25百分位数（或者第一四分位数）、中位数以及第75百分位数（或者第三四分位数）。

另一种快速了解数据类型的方法：绘制每个数值属性的直方图

方法：df.hist()

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

hist() 方法依赖Matplotlib ，而 Matplotlib 又依赖于用户指定的图形后端才能在屏幕上完成绘制。在绘制之前，需要先指定 Matplotlib 使用那个后端。

最简单的方法就是使用 jupyter notebook 的神奇命令 %matplotlib inline，随后图形会在 notebook 上呈现。

从网络上下载sklearn包需要下载ssl：

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

机器学习-万能逼近原理

week 3

梯度下降法

note