当前位置: 首页 > news >正文

重庆营销型网站建设多少钱营销策略理论

重庆营销型网站建设多少钱,营销策略理论,室内设计师兼职接单平台,岳阳网站优化公司这里写自定义目录标题特征缩放标准化归一化平均值归一化收敛学习率特征缩放 特征缩放(Feature scaling)是一种数据预处理技术,它用于将不同尺度的特征值缩放到相同的范围内,以便更好地应用于机器学习算法中。在不进行特征缩放的情…

这里写自定义目录标题

  • 特征缩放
    • 标准化
    • 归一化
    • 平均值归一化
  • 收敛
  • 学习率

特征缩放

特征缩放(Feature scaling)是一种数据预处理技术,它用于将不同尺度的特征值缩放到相同的范围内,以便更好地应用于机器学习算法中。在不进行特征缩放的情况下,一些特征值可能会因其量级较大而对模型的训练产生更大的影响,导致模型无法充分学习其他特征值的影响。

几种常见的特征缩放方法:

  1. 标准化(Standardization):通过将每个特征值减去其均值,然后除以其标准差,将特征值缩放为以0为中心、标准差为1的正态分布。

  2. 归一化(Normalization):通过将每个特征值缩放到0和1之间的范围内,使得所有特征值的范围相同。

  3. 平均值归一化(Mean normalization):通过将每个特征值缩放到[-1,1]或[0,1]范围内,从而使特征值在[-1,1]或[0,1]之间。

e.g.e.g.e.g. 比如 bedrooms 代表卧室的数量,size in feet2^22 代表房间的尺寸。
一般卧室的数量都是个位数十位数,而房间的尺寸却一般都是百位数千位数,所以为了防止房间的尺寸数量级较大从而使得模型无法充分学习卧室个数的情况;
我们有如下三种方法进行特征缩放:

标准化

标准化(Standardization)又称为 Z-score normalization,对于一个特征 xxx,其均值为 μ\muμ,标准差为 σ\sigmaσ,则对于每个样本,xxx 的缩放后的值 yyy 可以通过以下公式计算:
y=x−μσy = \frac {x-\mu} \sigmay=σxμ

通过这种方法缩放后的特征值 yyy 的平均值为0,标准差为1;
例如在上述的房间尺寸与卧室数量的案例中:

300≤x1≤2000;x1,scaled=x1−μ1σ10≤x2≤5;x2,scaled=x2−μ2σ2300≤x_1≤2000; x_{1,scaled}=\frac {x_1-\mu_1} {\sigma_1} \\ 0≤x_2≤5; x_{2,scaled}=\frac {x_2-\mu_2} {\sigma_2} 300x12000;x1,scaled=σ1x1μ10x25;x2,scaled=σ2x2μ2

import numpy as np
def zscore_normalize_features(X):mu = np.mean(X, axis=0)sigma = np.std(X, axis=0)X_norm = (X - mu) / sigma      return (X_norm, mu, sigma)

通过 Sklearn 实现 Z-Score Normalization

from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
X_norm = scaler.fit_transform(X_train)

在这里插入图片描述

归一化

归一化(Normalization)又称为最大值缩放 Max Scaling。具体来说,对于一个特征xxx,其最大值为 maxmaxmax,则对于每个样本,xxx 的缩放后的值 yyy 可以通过以下公式计算:
y=xmaxy = \frac x {max}y=maxx

例如在上述的房间尺寸与卧室数量的案例中:
300≤x1≤2000;x1,scaled=x120000≤x2≤5;x2,scaled=x25300≤x_1≤2000; x_{1,scaled}=\frac {x_1} {2000} \\ 0≤x_2≤5; x_{2,scaled}=\frac {x_2} {5} 300x12000;x1,scaled=2000x10x25;x2,scaled=5x2

def max_normalize_features(X):x_max = np.max(X)    X_norm = X / x_maxreturn X_norm

在这里插入图片描述


平均值归一化

平均值归一化具体来说,对于一个特征 xxx,其均值为 μ\muμ,最小值为 minminmin,最大值为 maxmaxmax,则对于每个样本,xxx 的缩放后的值 yyy 可以通过以下公式计算:
y=x−μmax−miny = \frac {x-\mu} {max-min}y=maxminxμ

例如在上述的房间尺寸与卧室数量的案例中:
300≤x1≤2000;x1,scaled=x1−μ12000−3000≤x2≤5;x2,scaled=x2−μ25−0300≤x_1≤2000; x_{1,scaled}=\frac {x_1-\mu_1} {2000-300} \\ 0≤x_2≤5; x_{2,scaled}=\frac {x_2-\mu_2} {5-0} 300x12000;x1,scaled=2000300x1μ10x25;x2,scaled=50x2μ2

def mean_normalize_features(X):mu = np.mean(X, axis=0) x_max = np.max(X)x_min = np.min(X)X_norm = (X - mu) / (m_max - m_min)return X_norm

在这里插入图片描述


收敛

收敛(Convergence)通常指的是训练过程中模型的参数逐渐趋于稳定,不再发生明显变化的情况。当模型的参数收敛时,其对训练数据的拟合误差(training error)也会逐渐降低,直到达到一个较小的阈值或收敛标准。

如下图所示,一般来说,伴随着迭代(iterations),应该呈现下图所示曲线,即损失函数越来越小,直到趋于稳定,不再发生明显变化;

在这里插入图片描述

损失函数在迭代100次时,下降的速度还是很快的;
在迭代200次的时候,损失值下降的速度明显变慢;
在迭代300次的时候,每次迭代损失值下降的已经很小很小了;
在迭代400次的时候,几乎看不到变化,趋于稳定,此时我们称之为 converged,即收敛了。

而如果出现损失值变大的情况,则可能是学习率 α\alphaα 设置的有问题,下面我们将学习了解学习率的概念;


学习率

学习率(learning rate)是梯度下降算法中的一个重要超参数,用于控制每一次参数更新的步长大小。在梯度下降算法中,每一次迭代都需要计算损失函数的梯度,然后按照一定的步长沿着梯度方向更新模型参数。

学习率决定了每次更新的步长大小:
如果学习率过大,会导致参数在梯度方向上 “跳跃” 太大而无法收敛;
如果学习率过小,会导致参数更新缓慢,耗费较长的时间才能达到最优解。

学习率的选择是一个经验性的问题,需要根据具体问题和数据集的特征来进行调整。一般来说,可以从较小的学习率(比如 α\alphaα = 0.001)开始,观察损失函数的收敛情况和模型的性能,然后逐步调整学习率的大小,直到达到最佳的性能和收敛速度。

在梯度下降算法中,有三种不同的学习率策略可供选择:

  1. 固定学习率:使用固定的学习率,不随着迭代次数的增加而改变。
  2. 动态学习率:根据迭代次数或其他规则来动态调整学习率。
  3. 自适应学习率:根据梯度的大小来自适应地调整学习率,常见的方法包括Adagrad、Adam等。

对于初学者而言,无需参与到动态学习率 与 自适应学习率的讨论中,尝试固定学习率,以 0.001 与 0.01 多做尝试即可。

http://www.dinnco.com/news/39095.html

相关文章:

  • 一个网站两个域名 seo建立自己的网站平台
  • 个人博客网站制作教程下载百度地图2022最新版官方
  • 乐从做网站整合营销传播案例
  • 东昌府聊城做网站公司广西关键词优化公司
  • 培训前端网站开发东莞网站到首页排名
  • 北京建设公司有哪些长沙seo咨询
  • 使用局域网做网站网站建设开发公司
  • 环江住房和城乡建设部网站中国北京出啥大事了
  • bms营销方法亚马逊seo是什么意思
  • 企业网站建设注意事项湖南长沙最新疫情
  • 石家庄网站系统开发网络推广公司方案
  • 美食网页设计模板素材seo网站优化服务
  • 物流网站开发短信广告投放软件
  • 嘉兴网站建设系统在哪个网站可以免费做广告
  • 行业网站 源码关键词词库
  • 环保设备网站建设模板如何优化seo
  • 网站换模板对seo动态网站建设
  • pr模板网网站关键词优化排名软件系统
  • 河北网站开发费用百度站长工具怎么关闭教程视频
  • 网站开发前端库网络营销名词解释
  • 想开一个做网站的公司aso关键词覆盖优化
  • 自己做网站怎么连接外网seo推广有哪些方式
  • 上海专门做网站的公司做百度推广代运营有用吗
  • 武汉大学人民医院研究生院长沙网站seo技术厂家
  • 旅游网站建设的意义北京seo招聘网
  • 驻马店做网站优化公司网站搭建流程
  • 网站建设找哪家抖音seo推广外包公司好做吗
  • 写的网站怎么做接口杭州市优化服务
  • 福田商城网站建设全球搜索引擎市场份额
  • canvas设计网站搜索引擎优化的英文