Notes

接續著上一篇StatQuest 筆記分享: 人工神經網路5 — ArgMax and SoftMax，Josh提到由於使用SoftMax的輸出值是類似機率值的概念，因此並不適合使用SSR，而是使用交叉熵 (Cross Entropy)來評估模型的表現。

接續著上一篇人工神經網路4—Multiple Inputs and Outputs的最後，(P,S) = (0,1)這個資料點，帶入三個品種的皺褶面後分別會得到1.43、-0.4、0.23。

接續著上一篇人工神經網路3 — ReLU， Josh在這篇以經典資料學習的資料集 - Iris 鳶尾花資料集來介紹人工神經網路也能應用在更複雜的模型。不同於之前的1個輸入節點(Input Node)、一個輸出節點(Output Node)以及包含2個節點的隱藏層(Hidden…

在第一篇人工神經網路1 — 解密黑盒子中，Josh使用Soft Plus當作活化函數來擬合(Fit)訓練資料。

承接上篇，輸入節點(Input Node)數值在權重(Weight)、偏誤(Bias)以及活化函數(Activation Function)的放大、縮小、轉置和調整下來得到輸出值。

此系列有8支影片，不同於其他教學一開始就介紹人工神經網路(類神經網路)的公式、推導和專有名詞等。Josh反其道而行的先以計算出的結果來反推並解釋這個黑盒子裡到底是怎麼運作的。在之後的影片才會介紹，這些結果是怎麼用Backpropagation計算出來的。

主成分分析(Principal Component Analysis, or PCA) 是用於將大量資訊(變數、維度、欄位)透過降維的手段並保留大部分的資料特性的一種重要方法。在此StatQuest影片中講述如何使用奇異值分解(Singular Value…

隨機森林結合了決策樹的優點且大大的優化其預測(分類)的正確性。以下為StatQuest的講解筆記分享，此講解解說了如何建立隨機森林、使用隨機森林、評估隨機森林。