← 返回刚才阅读的位置

知识卡片

操作参考卡 · 9635.y · 生成模型:DeepSeek-V4.1-Flash

手写数字的深网与RBM

理解等级:中级

数据一(R + h2o):Kaggle 手写数字 42000 张 28×28 灰度图,784 个像素列加 1 列标签(0~9);像素除以 255 归一化,每类抽 200 个训练、50 个测试。用 h2o.deeplearning(x=2:785, y=1, activation=“Tanh”, hidden=rep(160,5), epochs=20) 建 5 个隐层、每层 160 个神经元的深网;测试误判率 0.084。 数据二(Python + MNIST):60000 训练、10000 测试。基线 SVM 用原始像素,准确率 94.4%;先 3×3 均值滤波去噪,再用 BernoulliRBM(学习率 0.05、25 次迭代、100 个特征)提特征接 SVM,升到 95%。 解读:深网在小样本上已达 91.6% 正确率;RBM 作为无监督特征提取器,能为浅层分类器提供更紧凑的表示。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    参考来源

    - 位置:《大数据挖掘与统计机器学习》第6章 神经网络与深度学习(源文件:extracted/大数据挖掘与统计机器学习/_epub-src/OEBPS/Text/chapter8_0003.xhtml,6.3.3 手写数字识别问题) - 结论依据:原文给出两个手写数字数据的规模与预处理、h2o 深网的隐层设置与 0.084 误判率,以及 RBM 特征使 SVM 从 94% 提升到 95% 的对比。 - 原始内容:该数据集包含手写数字“0”~“9”的灰度图像,共有42 000张。每张图像是28×28像素的,因此可用一个28× 28=784维的向量进行表示。