嘗試用sklearn做分析 使用豐原站的觀測記錄，分成train set跟test set，train set是豐原站每個月的前20天所有資料。test set則是從豐原站剩下的資料中取樣出來。 train.csv：每個月前20天的完整資料。 test_X.csv：從剩下的10天資料中取樣出連續的10小時為一筆，前九小時的所有觀測數據當作feature，第十小時的PM2.5當作answer。一共取出240筆不重複的test data，請根據feauure預測這240筆的PM2.5。 sklearn在使用上看起來很直接 因此我們的feature使用最笨的方式：取出所有前九小時的值，甚麼都不做直接看結果。 不觀察feature也不簡化 在Private上排名在中間，略高於Baseline 因為是linear regression，對Gradient descent：算一次斜率，結束。 直接就找到解 My Github
使用 Tensorflow 分析 Regression 的基礎練習 Nerual network 分析二維四次多項式 先定義輸入輸出格式，None表示我們不限制它的Row 在 Tensorflow 中 要定義它是常數、變數，或是從外部輸入，必須要分別指定成 tf.constant() tf.Variable() tf.placeholder(),他才會是那個形式； 而想使用Tensorflow 的任何內容，必須要用sess.run()去啟動它，不然會是Tensor的格式。 其中sess = tf.Session() 定義一個Y = W*x +b 的線性方程，在隱藏層中利用activation function 去改變它。 評估模型好壞常用有square error和cross_entropy，這裡利用square error計算loss。 選擇基本的梯度下降並最小化loss；optimizer是個小於1的值。 設定要訓練的數值和函數(記得要有一定的雜訊) W shape = (in_dim, hidden_units) = (10,1) predictions shape = (200,1)*(1,10)*(10,1) = (200,1) 訓練1000次每50次看結果：視覺化和數據化 placeholder 給資料會是一個字典的形式 Session.run(*****,feed_dict={a:a_data,b:b_data,…..}) 最後結果 My GitHub
