从泰坦尼克号谈到浅层神经网络
前言 最近因为课题需要，捡起了很多年前学了但是没怎么应用的机器学习。作为一个经典的算法，逻辑回归目前被作为神经网络诞生前的基础，具有广泛的应用。单层单节点的逻辑回归在“泰坦尼克号生还概率预测”这个问题上表现较为良好（~78%准确度）。本文的在线示例是用大约600条历史上泰坦尼克号上的搭乘者->生还/死亡数据，喂给一个3层的神经网络训练而成。对于以下细节，你或许会感兴趣： 数据集：训练样本627条，测试样本264条 准确度：训练集88%，测试集83%，尚未进行超参数优化（还没来得及做） 模型状况：三层的浅层神经网络，节点数分别为：128(ReLU), 64(ReLU), 1(Sigmoid) 源码：qwezarty/machine-learning-examples 注：在线演示的参数验证并不严格，还请大家手下留情不要用表单工具提交一些奇怪的值（要是把AI玩坏了，她会来找你算账的），另外为了简化输入，我使用下拉选项替代了许多的文本框。好了，现在大家就可以由观看《泰坦尼克号》的经验，有序上船，会不会翻全看造化啦！ 在线示例 性别（只接受男/女噢）： 男 女 年龄（5-80之间都很合理）： 20 21 22 23 24 25 26 27 28 29 30 35 40 45 50 60 70 80 5 10 15 船票等级： 三等舱 一等舱 二等舱 船票费用： 0（偷渡的或工作人员） 5 10 15 30 35 40 50 100 200 船舱位置： 我也不清楚 C G A B D F E 登船港口： 南安普敦, Southampton 瑟堡, Cherbourg 皇后镇，Queenstown 我也不清楚 是否单独一人： 否 是 登船的配偶及亲兄弟/姐妹人数： 1 2 3 4 0 登船的父母/子女人数： 0 1 2 3 5 来吧，决定命运的时候到了！ 本AI认为你大约有%的几率生还。 这个模型有什么用？ 这是一个典型的“疾病与风险控制”示例，想象一下把数据源替换成“良性/恶性肿瘤与各特征的关系”，例如肿瘤的三维尺寸、发病时长、患者的性别/年龄/遗传疾病史等等，如果你有几百条这样的数据，在良好的调优的前提下，你甚至能达到90%以上的准确度（甚至超过了那些经验丰富的医师，所以有言论说是AI的出现会使医生失业，并不是空穴来风）。...