「吴恩达」机器学习笔记 - 改进梯度下降的技术

发布时间：2024年01月13日

一、特征放缩

1. 目标：

将每个特征 1 ≤ x_j ≤ 1

几乎无坏处，可多尝试特征放缩

2. 方法

(1) 除以最大值

(2) 均值正常化

(3) z 分数归一化

二、判断是否收敛

学习曲线?/ 自动收敛测试

三、选择合适的学习率

四、特征工程

目标：选择合适的特征

特征工程： 利用知识或直觉设计新的特征（通常通过转换或结合原始特征），使算法作出更准确的预测。

  • 多元线性回归的特征工程 —— 多项式回归的新算法：

    次方/开根号

    库学习：sciki

文章来源:https://blog.csdn.net/qq_52063383/article/details/135465213
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
最新文章