AI機器學習心得筆記
5公開內容
AI機器學習相關學習到的知識彙整
全部內容
免費與付費
最新發佈優先
感知器是一種基本的神經網路模型，用於二分類問題。它模擬了人腦神經元的工作原理，通過調整權重和偏差值來達到預測和分類的目的。
感知器流程
輸入
資料的輸入:
輸入層接受資料的輸入，每個輸入對應一個特徵，還有一個固定的偏差神經元。
資料經過每個神經元時，會乘上相應的
本文會利用sklearn引入breast_cancer datasets來訓練，在處理數據的部份，特徵工程用兩種方式去做處理，分別是特徵選取與特徵萃取的方式去做比較。
特徵選取的方法中，使用了KNN 分類器來選出最重要的兩個特徵
特徵萃取的方法中，使用了PCA降維
前言
上一篇討論到如何訓練出模型，此篇將說明Streamlit建立的簡單Web應用程式的解說
Streamlit網頁App_貓狗辨識 連結
程式碼Github連結
[機器學習]CNN學習MNIST 手寫英文字母資料，用網頁展現成果_模型訓練篇
如何連動github與stramlit可以參考
streamlit與github連動程式庫，呈現即時預測手寫英文字母
整理了一下，先前學的機器學習利用Colab來訓練出能辨識手寫A~Z英文字母的模型，使用的模型是CNN(Convolutional Neural Network，CNN）模型
訓練好的模型，當然是要拿來應用，成果呈現
Sequential Feature Selection(SFS)
用中文來解釋為，逐一特徵選取訓練，找出最重要的特徵，以提高模型的性能和效率
SFS 的一些用途包括：
維度縮減： 在高維度數據中，許多特徵可能是多餘或不重要的，使用 SFS 可以找到最能代表數據的特徵，從而減少計算和記憶體需求
