mapprendre

     This note is written in both Chinese and in English. 本笔记根据个人习惯使用中英双语写作。大部分说明会尽量使用英语写，一部分复制的资料会使用原语言。使用中文写的时候会尽量将名词的英文标注出来。      交叉验证（cross validation）：在训练算法（train the algorithm）时，将完整的数据集分出一大部分用来训练，一小部分是用来作为验证的测试集（testing set）。通过交叉验证的方法，我们不需要操心数据集如何划分。例如，将数据集分为四份（four-fold cross validation 四分交叉验证），三份用来训练，一份用来验证。交叉验证就是分别将数据进行训练和验证，最后进行汇总。      在极端情况下，可以将每一个样本数据作为一份（a block），这种情况被称为"leave one out cross validation"，每个样本都被单独测试。但是最常见的是将数据分为十份“Ten-Fold Cross Validation”。      调参（Tuning Parameter）:调参指调整参数以获得更好的效果，其目的在于得到更好的模型：修复出现的错误、提高神经网络训练精确度。模型的最优参数依赖于许多场景，在模型评估和选择中，除了  算法 的选择，还需要对其参数进行设定，调参便是完成参数设定的过程。目前普遍做法是，对参数选择一个范围和变化步长，如在 [0 , 0.2] 之间以 0.05 为步长，这样可以得到的待选参数值有 5 个，理想值便会从这 5 个候选值中获得，虽然这样获得参数值非最佳值，但可在计算开销和性能估计之间折中。      If the regression model has tuning parameters (e.g. ridge regression, neural networks, boosting), good values for the tuning parameters are usually found running by the model several times...

      J'ai parlé de la régression linéaire, une méthode très utile pour prévoir le résultat basé sur les facteurs fourni, dans le blog précédent. Et un peu plus loin, je vais montrer la régression logistique aujourd'hui.     C'est quoi la régression logistique ? C'est quoi la différent entre la régression logistique et linéaire ? En termes d'utilisation, la régression linéaire viser sur la prévision et la régression logistique viser sur le classement. La modèle de régression linéaire sort des valeurs numériques continues tandis que la modèle de régression logistique produit des étiquettes non continues.     Quant à les problèmes de classification binaire, la régression logistique évalue la probabilité de l'appartenance de certain échantillon. Tout d'abord, je veux parler de la fonction sigmoïde.     Mais pourquoi et comment on l'utilise ?     Si la valeur supérieure à 0.5, on le marquerait comme "1", et au contraire, on le marq...

     Nous utilisons Jupyter Notebook d'Anaconda pour plus de commodité car c'est une simple démonstration et nous n'avons pas besoin d'une gestion de projet complète.      Notre objectif est de prédire le prix d'une maison en fonction du revenu moyen, de l'âge de la maison, du nombre de pièces, de la population et de la taille de la maison dans une certaine zone, à l'aide d'une régression linéaire multiple. Nous souhaitons utiliser un ordinateur pour prédire le prix lorsque les valeurs sont : "revenu d'évaluation = 65000, âge de la maison = 5, nombre de pièces = 5, population = 30000, surface de la maison = 200". Cela fait partie des données utilisées. Utilise cette fonction "data.head()"pour vérifier les données      Nous allons utilisons "le revenu", "L'âge de la maison", "nombres de chambre", "La population régionale", "La superficie" comme X, et "Le coût" comme Y....

      Connaissances en mathématiques requises :      C'est quoi l'analyse de régression ? -L'analyse des données disponibles permet de déterminer la relation quantitative entre les variables en question, qui sont interdépendantes. Régression unaire : y = f(x) Régression multiple : y = f(x1,x2,x3...,xn) Régression linéaire : y = ax + b Régression non linéaire : y = ax² + bx + c Par exemple：     La loi de procédure pénale chinoise prévoit la "取保候审（libération sous caution en attendant le procès）", cependant, dans le passé, ce système était peu utilisé et uniquement appliqué à un petit nombre de personnes au pouvoir. Durant l'épidémie de coronavirus, l'exigence politique de "patient zéro" a conduit à un renforcement de l'utilisation de cette mesure afin d'éviter la propagation du virus en détention. Ainsi, en utilisant la régression linéaire, il est possible d'étudier la relation entre le nombre d'infections en Chine, l'impact de ...

1. Enseignement supervisé （Supervised Learning）监督学习      Les données d'entraînement incluent le résultat correct. （label） 2. Apprentissage non supervisé （Unsupervised Learning）无监督学习     Les données d'entraînement n'incluent pas le résultat correct. 3. Apprentissage semi-supervisé （Semi-supervised Learning）半监督学习     Les données d'entraînement incluent un petit nombre de résultat correct. 4. Apprentissage par renforcement （Reinforcement Learing）强化学习     Optimiser en utilisant une méthode d'apprentissage par renforcement qui consiste à récompenser les résultats positifs et à punir les résultats négatifs. Enseignement supervisé : -Régression linéaire 线性回归 -Régression logistique 逻辑回归 -Arbre de décision 决策树 -Réseaux de neurones, réseaux de neurones convolutifs, réseaux de neurones récurrents 神经网络，卷积神经网络，循环神经网络 Apprentissage non supervisé： -Algorithme de clustering 聚类算法 Apprentissage mixte： -Enseignement supervisé + Apprentissage non supervisé