机器学习评估指标
1.回归算法指标
平均绝对误差
又称L1范数损失，缺点：绝对值的存在导致函数不光滑
均方误差
又称L2范数损失
均方根误差
决定系数
深度学习
深度学习案例解释：
人脸识别与语音识别
1.对于人脸识别
神经网络的第一层从原始图片中提取人脸的轮廓和边缘，每个神经元学习到不同边缘的信息；网络的第二层将第一层学得的边缘信息组合起来，形成人脸的一些局部的特征，例如眼睛、嘴巴等；后面的几层逐步将上一层的特征组合起来，形成人脸的模样。随着神经网络层数的增加，特征也从原来的边缘逐步扩展为人脸的整体，由整体到局部，由简单到复杂。层数越多，那么模型学习的效果也就越精确。
2.对于语音识别，
第一层神经网络可以学习到语言发音的一些音调，后面更深层次的网络可以检测到基本的音素，再到单词信息，逐渐加深可以学到短语、句子。
DNN
前向传播：
公式
向量化程序
反向传播
公式
向量化程序
改善深度神经网络：超参数调式、正则化以及优化
1.训练、验证、测试
数据量为100、1000、10000时，可以将数据划分为
无验证集的情况：70%/30%
有验证集的情况：60%/20%/20%
2.偏差、方差
解决方法：
1.高偏差
增加网络结构，增加隐藏层数目
训练更长时间
寻找合适的网络架构
2.高方差
获取更多数据
正则化
寻找合适的网络结构
3.L1,L2正则化
logistics regression：
L2,L1正则化
4.Dropout正则化
随机消除一些节点，使神经网络规模变小
keep_prob=0.8 #设置神经元保留概率 d3=np.random.rand(a3.shape[0],a3.shape[1])<keep_prob a3=np.multiply(a3,d3) a3/=keep_prob
dropout理解：单个神经元工资接受输入，产生一个输出，如果加入dropout以后，输入的特征有可能被随机清除，所以神经元不再依赖于任意一个输入特征，也就是说不会给任何一个输入设置太大的权重。
5.其他正则化方法
数据扩增：比如，一张数字图片，通过不同形状生成这个数字，增加数量集。
6.归一化
使用归一化，避免在梯度下降时，花大量迭代次数才能找到全局最优解
7.深度学习三种梯度下降方式：
7.1 批量（batch）：
在更新参数时，使用所有样本训练集进行迭代更新
优点：全局最优解，能够保证每一次更新权值
缺点：训练集数目过多，训练过程会很慢
7.2 随机（stochastic）：
更新参数，使用一个样本进行更新，每一次跟新参数都用一个样本，更新很多次。
优点：训练速度快
缺点：准确度下降，并不是全局最优
7.3 小批量（mini-batch）：
在更新参数，使用训练集一部分样本
