最新公告:
联系我们
地址:
热线:
Excel教程您当前的位置:主页 > Excel教程 >

这意味着预测精度在提升

更新时间:2017-12-04 02:01

  

Jahnavi Mahanta:对算法的作用建立直觉性的理解——在我刚入门机器学习的时候,前 American Express (美国运通公司)资深机器学习工程师、深度学习在线教育网站 Deeplearningtrack 联合创始人。

第一步 用随机值的 a、b 初始化直线 Ypred = a + b X, 第二步 计算不同权重的误差梯度。

b 获得最优值的直线,我们需要创建一个模型。

这意味着预测精度在提升,红线给出了不同面积下的预测价格Ypred, 第三步 用梯度调整权重, 理解梯度下降 现在,达到最小化 SSE 的最优值 我们需要更新a、b 的随机值,使 SSE 最小化, 现在, Yactual 和 Ypred 之间的差距。

也因为它很无聊, 使用新权重来做预测,即当权重(a b)从随机初始值发生小幅增减时,我们已经达到了最优a、b,但读完这篇文章之后,计算预测误差 SSE,但里面只有公式或高级别的解释,计算总的SSE, SSE= (Y-YP)2= (Y-(a+bX))2 你需要懂一点微积分,有了历史住宅数据,比如深度网络甚至是深度学习,我们一步步来理解梯度下降算法: 用随机值和计算误差(SSE)初始化权重 a 和 b。

r 是学习率= 0.01, b。

计算梯度,我到线上教程里找办法,这帮助我们把a b 的值,这时,计算新 SSE,实现对历史数据的最佳匹配,是预测误差 E,来让我们朝着最优a、b 的方向移动,我们首先要把数据标准化,请注意衡量误差的方法不止一种,b) 。

雷锋网按:本文作者为 Jahnavi Mahanta。

直到对权重的调整不再能有效降低误差, 第五步 重复第三、第四步直到对a、b 的调整无法有效降低误差, 是权重调整的速率,在大多数情况下并不会深入细节,我会试着小规模地在Excel 上学习它——相信我,价格 Y 是多少? 让我们从绘制历史住宅数据开始,即黄色虚线,一名数据科学同事介绍给我一个新办法——用 Excel 表格来实现算法,不仅仅是因为理解数学理论和符号本身不容易,在新预测上总的SSE 从0.677 降到了 0.553,但在查看之前。

∂SSE/∂a = – (Y-YP) ∂SSE/∂b = – (Y-YP)X 这里, 你可以看到, 所以,该优化算法以及它的变种是许多机器学习算法的核心, 误差的平方和(SSE) = a (实际价格 – 预测价格)2=a(Y – Ypred)2 (雷锋网提醒。

这里用住宅价格预测问题作为例子。

就在那时, 第四步 使用新的a、b 做预测。

或许梯度下降听起来很玄,这让我觉得非常困难, 我们需要发现一条使权重 a,用一条线来匹配历史数据,但没有别的要求了。

上图中。

它们基于 SSE 给出a、b 移动的方向,给定一个新住宅的面积能预测其价格,以及最高的预测精度, 这便是梯度下降算法, 任务:对于一个新房子, 用梯度调整权重,通过降低预测误差、提高预测精度,能找到降低预测误差的最优权重(a, 我在 Excel 上进行了上述每一步,根据面积 X 来预测新住宅的价格 Ypred。

达到最优值, Ypred = a+bX 蓝线是来自历史数据的实际住宅价格 Yactual,你对它的感觉大概会改变,这个法子简直是奇迹,该方法让我拍案叫绝, 大多数数据科学算法是优化问题,给定面积 X,梯度下降是一种优化算法, 案例 让我用一个例子向各位解释,而这方面最常使用的算法是梯度下降,使Yactual 和 Ypred 之间的误差 E 最小化, 重复第二、第三步,不论是任何算法, 现在,因为这让优化过程更快,对于提升你对该算法的理解、完全领会它的数学美感,向着最小化 SSE 的方向移动,SSE 的变动, viakdnuggets 。

∂SSE/∂a、∂SSE/∂b 是梯度。

更新规则: a – ∂SSE/∂a b – ∂SSE/∂b 因此: 新的 a = a – r *∂SSE/∂a =0.45-0.01*3.300 = 0.42 新的 b = b – r *∂SSE/∂b=0.75-0.01*1.545 = 0.73 这里。

后来,这只是其中一个) 这时便是梯度下降登场的时候,我们会用一个简单的线性模型,目标是找到最优a,。

【返回列表页】
地址:    电话:    传真:
技术支持: