- 博客(5)
- 收藏
- 关注
RSS订阅转载 机器学习--逻辑回归模型原理
在前面所介绍的线性回归, 岭回归和Lasso回归这三种回归模型中, 其输出变量均为连续型, 比如常见的线性回归模型为:其写成矩阵形式为:现在这里的输出为连续型变量, 但是实际中会有"输出为离散型变量"这样的需求, 比如给定特征预测是否离职(1表示离职, 0表示不离职). 显然这时不能直接使用线性回归模型, 而逻辑回归就派上用场了.1. 逻辑回归引用百度百科定义...
2019-03-16 18:28:00
812
转载 机器学习--Lasso回归和岭回归
之前我们介绍了多元线性回归的原理, 又通过一个案例对多元线性回归模型进一步了解, 其中谈到自变量之间存在高度相关, 容易产生多重共线性问题, 对于多重共线性问题的解决方法有:删除自变量, 改变数据形式, 添加正则化项, 逐步回归, 主成分分析等. 今天我们来看看其中的添加正则化项.添加正则化项, 是指在损失函数上添加正则化项, 而正则化项可分为两种: 一种是L1正则化项, 另一种是...
2019-03-16 18:12:00
681
转载 机器学习--线性回归模型原理
线性回归, 是回归分析中的一种, 其表示自变量与因变量之间存在线性关系. 回归分析是从数据出发, 考察变量之间的数量关系, 并通过一定的数学关系式将这种关系描述出来, 再通过关系式来估计某个变量的取值, 同时给出该估计的可靠程度. 下面我们从一元线性回归开始说起.1.一元线性回归在回归分析中如果只涉及一个自变量(用来预测的变量)和一个因变量(要预测的变量), 这时就称为一元回归...
2019-03-16 17:56:00
1347
转载 机器学习--k-means聚类原理
“物以类聚，人以群分”, 所谓聚类就是将相似的元素分到一"类"(有时也被称为"簇"或"集合"), 簇内元素相似程度高, 簇间元素相似程度低. 常用的聚类方法有划分聚类, 层次聚类, 密度聚类, 网格聚类, 模型聚类等. 我们这里重点介绍划分聚类.1. 划分聚类划分聚类, 就是给定一个样本量为N的数据集, 将其划分为K个簇(K<N), 每一个簇中至少包含一个样本点.大部...
2019-03-16 17:36:00
237
转载 机器学习--朴素贝叶斯模型原理
朴素贝叶斯中的朴素是指特征条件独立假设, 贝叶斯是指贝叶斯定理,我们从贝叶斯定理开始说起吧.1. 贝叶斯定理贝叶斯定理是用来描述两个条件概率之间的关系1). 什么是条件概率?如果有两个事件A和B, 条件概率就是指在事件B发生的条件下, 事件A发生的概率, 记作P(A|B).若P(A)>0, 则满足以下公式若P(B) > 0, 同理.通过条件...
2019-03-16 16:14:00
401
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人