一、TensorFlow简介 TensorFlow是由Google开发的开源机器学习框架，广泛应用于深度学习模型的构建、训练和部署。它支持从研究到生产的全流程，提供灵活的工具和库，适用于计算机视觉、自然语言处理等多种任务。 通俗理解 可以把TensorFlow想象成一个“乐高工厂”： 张量（Tens
一、神经网络的层的定义 神经网络的层（Neural Network Layer）是构成深度学习模型的基本组件，每一层由多个神经元（或节点）组成，负责对输入数据进行特定计算（如加权求和、非线性激活等），并将结果传递到下一层。通过堆叠不同的层（如输入层、隐藏层、输出层），神经网络能够逐步提取和组合特征，
一、神经网络的定义 神经网络（Neural Network）是一种受生物大脑神经元结构启发的机器学习模型，由多层相互连接的“神经元”组成，能够通过数据自动学习复杂的模式和关系。它通过调整神经元之间的连接权重（参数）来优化预测或分类任务，广泛应用于图像识别、自然语言处理等领域。 通俗理解 你可以把神经
一、正则化的定义 正则化（Regularization）是机器学习中一种防止模型过拟合的技术，通过在损失函数中引入额外的约束（如L1、L2惩罚项），限制模型参数的大小，从而提高泛化能力。 通俗理解 想象你在教一个学生解题：如果只让他死记硬背题目（过拟合），遇到新题就会出错；但若要求他“用尽量简单的步
一、过拟合问题的定义 过拟合是指机器学习模型在训练数据上表现过于优秀，甚至捕捉到了数据中的噪声和随机波动，导致在未知数据（测试集或实际应用）上泛化能力下降的现象。 通俗理解： 就像学生死记硬背了所有习题答案，却在遇到新题目时不会变通；或者过度依赖“考试技巧”而没真正理解知识，最终在新问题面前表现糟糕
一、逻辑回归梯度下降的定义 逻辑回归梯度下降是一种优化算法，通过迭代调整模型参数（权重 ww 和偏置 bb），最小化交叉熵损失函数，使预测概率逼近真实标签。其核心是计算损失函数的梯度，并沿梯度反方向更新参数，逐步降低预测误差。 通俗理解 想象蒙眼下山： 梯度
一、逻辑回归代价函数的定义 逻辑回归的代价函数（又称交叉熵损失）用于评估模型预测结果与真实标签之间的差异。不同于线性回归的均方误差，它专门针对分类问题设计，能够有效惩罚“高置信度的错误预测”，同时鼓励模型输出更接近真实标签的概率值。 通俗理解 想象老师在批改判断题： 如果学生
一、决策边界的含义 决策边界是机器学习分类模型中用于区分不同类别的分界线（或分界面），由模型根据训练数据学习得到。在二维空间中可能是一条直线或曲线，在高维空间中是超平面或复杂曲面。 通俗理解： 想象用一根绳子在沙滩上划出两个区域，一边放贝壳，一边放海螺——这根绳子就是“决策边界”。机器学习模型的工作
一、逻辑回归的含义 逻辑回归（Logistic Regression）是一种用于解决分类问题的统计学习方法，尤其适用于二分类任务（如判断“是/否”）。它通过Sigmoid函数将线性回归的输出映射到[0,1]区间，表示样本属于某一类的概率。 通俗理解 可以把逻辑回归想象成一个“概率打分器”：它先像线性
一、多项式回归的含义 多项式回归是线性回归的扩展，通过引入自变量的高次项（如 x2,x3x2,x3）来拟合非线性关系。它保留了线性回归的建模形式，但能更灵活地描述曲线趋势。 通俗理解 想象用一根直线（线性回归）拟合弯曲的数据点会显得“僵硬”，而多项式回归就像换成可弯曲的尺子——通过调整“弯曲程度”（
