![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器学习基础算法
ChoesTiger wa
这个作者很懒,什么都没留下…
展开
-
机器学习算法基础3 - 回归算法
回归:连续性数据 线性回归模型 通过特征的线性组合作为预测函数。 损失函数 最小二乘法 系数矩阵w求解 -1- 正规方程 (sklearn.linear_model.LinearRegression) 缺点: 当特征数量多而复杂时,求解速度慢,复杂算法无法通过正规方程求解。 from sklearn.datasets import load_boston from sklearn.linear_model import LinearRegression, SGDRegressor from原创 2020-05-25 16:07:34 · 355 阅读 · 0 评论 -
机器学习基础算法2 - 机器学习算法概述及分类算法
机器学习算法分类 **监督学习**:输入数据有特征也有标签值 分类:k-近邻算法、贝叶斯分类、决策树与随机森林、逻辑回归、神经网络 回归:线性回归、岭回归 标注:隐马尔可夫模型 **无监督学习**:输入数据有特征但无标签值 聚类:k-means 机器学习开发流程 (1)收集原始数据,明确需解决问题 (2)数据的基本处理(缺失值、合并等) (3)特征工程 (4)找到合适的算法建立模型 (5)模型的评估,判断效果 (6)若效果不好,继续重复(3)、(4)、(5)步 机器学习数据集 训练集:用于训.原创 2020-05-21 11:56:23 · 380 阅读 · 0 评论 -
机器学习基础算法1-特征工程
数据:特征值+目标值。 特征工程 将原始数据转化为更好代表预测模型的潜在问题的特征的过程,提高未知数据预测的准确性。 主要工具 -1- pandas:处理缺失值,数据转换,一般不需要处理重复值 -2- sklearn:特征处理 特征抽取(Feature Extraction) 对文本等数据进行特征值化。 sklearn特征抽取API:sklearn.feature_extraction 2.1. 字典数据特征值化(类: sklearn.feature_extraction.DictVector原创 2020-05-20 14:07:20 · 279 阅读 · 0 评论