机器学习
文章平均质量分 77
奔跑-起点
这个作者很懒,什么都没留下…
展开
-
机器学习&数据挖掘笔记_16(常见面试之机器学习算法思想简单梳理)
前言: 找工作时(IT行业),除了常见的软件开发以外,机器学习岗位也可以当作是一个选择,不少计算机方向的研究生都会接触这个,如果你的研究方向是机器学习/数据挖掘之类,且又对其非常感兴趣的话,可以考虑考虑该岗位,毕竟在机器智能没达到人类水平之前,机器学习可以作为一种重要手段,而随着科技的不断发展,相信这方面的人才需求也会越来越大。 纵观IT行业的招聘岗位,机器学习之类的岗位还是挺少的,国原创 2016-11-09 17:32:00 · 1324 阅读 · 0 评论 -
机器学习中的特征工程总结
俗话说“磨刀不误砍材工”,在机器学习领域,进行特征工程相关的工作就相当于磨刀了。那么,什么是特征工程呢?通俗来讲,特征工程就是为了使模型在未知数据集上获得更好预测精度而对原始数据集进行转换的一系列过程。特征工程的具体过程则由以下四点决定:1、评估模型优劣的方法、指标是什么?(RMSE还是AUC等)2、要解决的问题属于分类问题还是回归问题..3、具体使用的模型是什么?(决策树、svm原创 2017-02-28 15:22:31 · 463 阅读 · 0 评论 -
二次函数性质
一般地,自变量x和因变量y之间存在如下关系:一般式:y=ax2+bx+c(a≠0,a、b、c为常数),则称y为x的二次函数。顶点式:y=a(x-h)2+k(a≠0,a、h、k为常数)。交点式(与x轴):y=a(x-x1)(x-x2)(a≠0,a、且x1、x2为常数)x1、x2为二次函数与x轴的两交点。等高式:y=a(x-x1)(x-x2)+m(a≠0,且过(x1、m原创 2017-01-22 13:25:08 · 4555 阅读 · 0 评论 -
MachineLearning经典图
原创 2017-01-22 17:15:55 · 352 阅读 · 0 评论 -
如何落地用户画像分析?
用户PERSONA的含义: P 代表基本性(Primary research)指该用户角色是否基于对真实用户的情景访谈E 代表移情性(Empathy)指用户角色中包含姓名、照片和产品相关的描述,该用户角色是否引起同理心。 R 代表真实性(Realistic)指对那些每天与顾客打交道的人来说,用户角色是否看起来像真实人物。 S 代表独特性(Singular)每个用户是否是独特的,彼此原创 2017-02-24 17:42:07 · 2978 阅读 · 0 评论 -
利用分类模型学习特征权重
在有的时候,我们需要学习出特征在分类器中所占的比重,例如判断某个人是否具有贷款资格,特征收入应该比年龄要更重要一些,那么具体重要多少,我们可以通过训练数据学习出来。第一个办法可以借鉴决策树中特征选择的思想,以贷款为例,特征向量={年龄,收入,有房子,婚否}。通过计算每个特征Ai在训练数据集下的信息增益: gi(D,Ai)=H(D)−H(D|Ai),i=1,2,3,4原创 2017-02-27 10:29:40 · 1068 阅读 · 0 评论 -
大数据竞赛平台——Kaggle 入门
原文链接:http://blog.csdn.net/u012162613/article/details/41929171大数据竞赛平台——Kaggle 入门篇这篇文章适合那些刚接触Kaggle、想尽快熟悉Kaggle并且独立完成一个竞赛项目的网友,对于已经在Kaggle上参赛过的网友来说,大可不必耗费时间阅读本文。本文分为两部分介绍Kaggle,第一部分简转载 2017-07-07 14:10:28 · 374 阅读 · 0 评论