模型选择在机器学习中，我们通常在评估几个候选模型后选择最终的模型。 这个过程叫做模型选择。 有时，需要进行比较的模型在本质上是完全不同的（比如，决策树与线性模型）。 又有时，我们需要比较不同的超参数设置下的同一类模型。 例如，训练多层感知机模型时，我们可能希望比较具有 不同数量的隐藏层、不同数量的隐藏单元以及不同的激活函数组合的模型。 为了确定候选模型中的最佳模型，我们通常会使用验证集。 验证集

单层感知机模型，给定输入x，权重w，和偏移b，感知机输出： o = O(<w,x> + b ) O(i) = {1, if x>0; -1 otherwise} 感知机模型为二分类：-1或1 vs 回归 输出实数 vs Softmax回归 输出概率 单层感知机不能划分XOR数据（亦或），对于这一点，我们可以使用多层感知机模型。我们可以通过在网络中加入一

softmax回归回归可以用于预测多少的问题。 比如预测房屋被售出价格，或者棒球队可能获得的胜场数，又或者患者住院的天数。 事实上，我们也对分类问题感兴趣：不是问“多少”，而是问“哪一个”： 某个电子邮件是否属于垃圾邮件文件夹？ 某个用户可能注册或不注册订阅服务？ 某个图像描绘的是驴、狗、猫、还是鸡？ 某人接下来最有可能看哪部电影？ 通常，机器学习实践者用分类这个词来描述两个有微妙差别的问题：

在学习深度学习前有必要先学习下当下深度学习的主流框架PyTorch、tensorflow、MXnet，但本篇文章主要介绍PyTorch的TensorDataset和DataLoader。我目前接触的框架也只有PyTorch，其他框架自己按需学习吧 :) 先看下面的代码，就能大致知道TensorDataset和DataLoader是干什么的了 TensorDataset123456789101112

线性回归回归（regression）是能为一个或多个自变量与因变量之间关系建模的一类方法。 在自然科学和社会科学领域，回归经常用来表示输入和输出之间的关系。 在机器学习领域中的大多数任务通常都与预测（prediction）有关。 当我们想预测一个数值时，就会涉及到回归问题。 常见的例子包括：预测价格（房屋、股票等）、预测住院时间（针对住院病人等）、 预测需求（零售销量等）。 但不是所有的预测都是回

1. 背景1.1 公司介绍橙联（Orange Connex）是一家服务全球跨境电商的科技公司，致力于通过市场分析、系统研发及资源整合，为客户提供物流、金融、大数据等多方面的服务产品，为全球跨境电商提供高品质、全方位的服务解决方案。橙联股份由中信产业基金和 eBAY 联合成立，拥有非常丰富的物流服务经验和客户市场资源，旨在为卖家客户提供快捷 、稳定 、成本领先 、可视及可持续的物流服务，让买家客户享

python导入模块模块就是 Python 程序。换句话说，任何 Python 程序都可以作为模块 python导入模块的2种方式 import 导入模块的语法： 1.import 模块名1 [as 别名1], 模块名2 [as 别名2]，… 使用这种语法格式的 import 语句，会导入指定模块中的所有成员（包括变量、函数、类等）。 不仅如此，当需要使用模块中的成员时，需用该模块名（或别名）作为

比如我们在要用numpy这个库的时候，我们通常的下载方法是pip install numpy 但本文提供另外一种下载python包的方法，下载源码安装。 一般使用的场景是pip在线下载很慢，或者在GitHub上看到好玩的程序，拿到源码来安装。 python包源码安装方法一：pip install .下载到源码包后，进入包内，例如我们下载了requests的源码包，cd包内，然后进行pip inst

本文旨在讲怎么用anaconda创建多个python环境，主要是因为在github上看到好玩的项目非得要用python3.10版本，我之前装的python版本比这个低，不然才不会折腾环境的安装呢 :( conda查看目前已有的环境关于anaconda的安装可以自己去百度安装下，这里就不赘述安装的过程了。 当安装完成并设置环境变量之后，就可以在命令行终端查看conda的环境了。 运行命令conda

迷你定向网页抓取器明确要求这个迷你定向网页抓取器是基于如下需求来实现的网络爬虫的功能，实现对种子链接的广度优先抓取，并把URL格式符合特定pattern的网页保存到磁盘上。 要求： 需要支持命令行参数处理。具体包含: -h(帮助)、-v(版本)、-c(配置文件) 需要按照广度优先的顺序抓取网页 单个网页抓取或解析失败，不能导致整个程序退出。需要在日志中记录下错误原因并继续 当程序完成所有抓