标签：误差 16 多项式 学习 神经网络 参数 拟合 注解 邱锡鹏

神经网络与深度学习（更新至第6讲 循环神经网络）_哔哩哔哩_bilibili

 

 注解：

1.非线性的问题加入用线性方程去拟合，那会出现欠拟合的情况。

2.解决办法就是用Ф(X)代替X，如下图：

 

 

 

 

 

 

注解：

1.依然可以把多项式回归模型写成线性的形式，此时可以利用线性回归的最小二乘准则求一个最小二乘解。

 

 

注解：

1.在优化的过程中，M并没有当成参数进行优化，所以，M是一个超参数。超参数用来控制函数的形状的。

2.不同的超参数的选择会导致求解出来的w差异很大，那如何选择多项式的次数呢？

 

 

 

 

注解：

1.M=0，误差非常大。

2.M=1，比一条横线强一点，但是误差仍然非常的大。

3.M=3，比较符合。

4.M=9，过拟合了，在样本（或者说训练集）上的错误率为0，但是和绿色的真实的线差异很大，加入运用到测试集上，误差一定会很大，因为测试集和训练集是独立同分布的，测试集中的数据一定位于绿色的线附近，此时带入到拟合出来的红色的线里面，误差很大。

5.绿色的线是真实的线。

6.到底M，也就是多项式的次数选择多少合适呢？这就是一个模型选择的问题，这是一个很难的问题。

 

标签：误差,16,多项式,学习,神经网络,参数,拟合,注解,邱锡鹏
来源： https://www.cnblogs.com/yibeimingyue/p/15438225.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。