TensorFlow下构建高性能神经网络模型
2017-11-12 09:31
507 查看
典型的数据挖掘和机器学习过程
图1是一个典型的推荐类应用,需要找到“符合条件的”潜在人员。要从用户数据中得出这张列表,首先需要挖掘出客户特征,然后选择一个合适的模型来进行预测,最后从用户数据中得出结果。
把上述例子中的用户列表获取过程进行细分,有如下几个部分(见图2):
业务理解:理解业务本身,其本质是什么?是分类问题还是回归问题?数据怎么获取?应用哪些模型才能解决?
数据理解:获取数据之后,分析数据里面有什么内容、数据是否准确,为下一步的预处理做准备。
数据预处理:原始数据会有噪声,格式化也不好,所以为了保证预测的准确性,需要进行数据的预处理。
特征提取:特征提取是机器学习最重要、最耗时的一个阶段。
模型构建:使用适当的算法,获取预期准确的值。
模型评估:根据测试集来评估模型的准确度。
模型应用:将模型部署、应用到实际生产环境中。
应用效果评估:根据最终的业务,评估最终的应用效果。
图1是一个典型的推荐类应用,需要找到“符合条件的”潜在人员。要从用户数据中得出这张列表,首先需要挖掘出客户特征,然后选择一个合适的模型来进行预测,最后从用户数据中得出结果。
把上述例子中的用户列表获取过程进行细分,有如下几个部分(见图2):
业务理解:理解业务本身,其本质是什么?是分类问题还是回归问题?数据怎么获取?应用哪些模型才能解决?
数据理解:获取数据之后,分析数据里面有什么内容、数据是否准确,为下一步的预处理做准备。
数据预处理:原始数据会有噪声,格式化也不好,所以为了保证预测的准确性,需要进行数据的预处理。
特征提取:特征提取是机器学习最重要、最耗时的一个阶段。
模型构建:使用适当的算法,获取预期准确的值。
模型评估:根据测试集来评估模型的准确度。
模型应用:将模型部署、应用到实际生产环境中。
应用效果评估:根据最终的业务,评估最终的应用效果。
1.TensorFlow下构建高性能神经网络模型的最佳实践
2.TensorFlow核心流程剖析-神经网络模型的构建、分割和优化
3.pycharm下tensorflow下的配置
相关文章推荐
- TensorFlow下构建高性能神经网络模型的最佳实践
- TensorFlow下构建高性能神经网络模型的最佳实践
- TensorFlow 下构建高性能神经网络模型的最佳实践
- TensorFlow下构建高性能神经网络模型的最佳实践
- TensorFlow下构建高性能神经网络模型的最佳实践
- TensorFlow下构建高性能神经网络模型的最佳实践
- tensorflow 核心流程剖析 4-- 使用profiler检测神经网络模型的运行性能
- tensorflow构建网络模型
- 利用Tensorflow实现神经网络模型
- tensorflow构建神经网络文本分类1
- 理解激活函数在神经网络模型构建中的作用
- Tensorflow基础知识与神经网络构建--step by step 入门TensorFlow(一)
- 机器学习:神经网络的模型构建
- tensorflow1.1/构建深度卷积神经网络识别物体识别
- tensorflow构建神经网络文本分类2
- tensorflow1.1/构建双向神经网络识别mnist
- 深入浅出Tensorflow(三):训练神经网络模型的常用方法
- Tensorflow中基本概念及神经网络模型的介绍
- 谷歌神经网络机器翻译NMT:人人可利用TensorFlow快速建立翻译模型
- Tensorflow构建一个简单的神经网络