Python3入门机器学习
文章平均质量分 55
Acowardintheworld
这个作者很懒,什么都没留下…
展开
-
13_集成学习和随机森林(Ensemble Learning and Random Forests)
13_集成学习和随机森林(Ensemble Learning and Random Forests)集成学习的思想是机器学习领域解决问题的一种重要思想。我们将从集成之前已经学习过的算法出发,进而引入集成学习的经典算法:随机森林。我们将看到集成学习的威力。在这一章,我们还会对其他集成学习的思想,如AdaBoost, Gradient Boosting, Stacking等算法进行介绍。 …13-1 什么是集成学习13-2 Soft Voting Classifierlogistic r原创 2021-10-16 16:16:49 · 171 阅读 · 0 评论 -
12_决策树(Decision tree)
12_决策树(Decision tree)在这一章,我们将学习另外一个大名鼎鼎的机器学习算法:决策树。决策树本身非常简单,背后并没有复杂的数学模型,但使用好决策树也有很多技巧。我们将深入了解什么是熵模型,什么是基尼系数,怎样使用决策树解决分类问题,怎样获得分类的概率,怎样用决策树解决回归问题,以及使用决策树的注意事项。 …...原创 2021-10-15 16:48:33 · 124 阅读 · 0 评论 -
11_支持向量机SVM(Support vector machine)
11_支持向量机SVM(Support vector machine)在这一章,我们将深入学习大名鼎鼎的支撑向量机SVM。我们将从线性SVM开始,理解SVM的思路,进而深入理解SVM解决非线性问题的方式——核函数。我们将重点学习两个最重要的核函数:多项式核和径向基函数核。我们更会使用真实的数据集实验,看到SVM的优缺点。最后,我们还将探讨使用SVM解决回归问题的思路。 …11-1 什么是SVM11-2 SVM背后的最优化问题11-3 Soft Margin SVM 和 SVM正原创 2021-10-13 22:00:08 · 90 阅读 · 0 评论 -
10_评价分类结果(Evaluate classification)
第10章 评价分类结果对机器学习分类算法结果的评估,是一个公认的复杂问题。在这一章,我们将来阐述这个问题为什么复杂。我们如何更好地看待我们的机器学习算法给出的结果。学习诸如混淆矩阵,准确率,精确率,召回率,F1,以及ROC等诸多评价分类结果的指标。通过这一章的学习,大家将更好地理解自己的机器学习算法给出的结果,从而在实际应用…10-1 准确度的陷阱和混淆矩阵10-2 精准率和召回率10-3 实现混淆矩阵,精准率和召回率10-4 F1 Score10-5 精准率和召回原创 2021-10-12 10:11:16 · 203 阅读 · 0 评论 -
9_逻辑回归(Logistic Regression)
9_逻辑回归(Logistic Regression)据统计,逻辑回归是机器学习领域最常用的分类算法,没有之一!在这一章,我们将逐渐揭开逻辑回归的神秘面纱,了解如何应用线性回归的思路,来解决分类问题。我们将综合之前所学习的很多内容,一点一点来完善我们的逻辑回归模型。我们还将继续深入分类问题,学习对分类结果概率的估计,以及决策边界等重要概念。 …9-1 什么是逻辑回归16,17年的统计数据表明Logistic Regression的普适性。9-2 逻辑回归的损失函数9-3原创 2021-10-11 10:07:12 · 95 阅读 · 0 评论 -
8_多项式回归及模型泛化(Polynomial Regression and Model Generalization)
8_多项式回归及模型泛化(Polynomial Regression and Model Generalization)在这一章,我们将接触非线性问题。我们将学习多项式回归的思想,使用线性回归的思路来解决非线性问题。进一步,我们将引申出或许是机器学习领域最重要的一个问题:模型泛化问题。我们将深入探讨什么是欠拟合,什么是过拟合,怎样检测欠拟合和过拟合。什么是交叉验证,什么是模型正则化。听起来拗口的Ridge和Lasso都是什么鬼…8-1 什么是多项式回归8-2 scikit-learn中的多项原创 2021-10-09 17:02:05 · 255 阅读 · 0 评论 -
7_主成分分析法(Principal Component Analysis)
7_主成分分析法(Principal Component Analysis)通常教材会使用非常多的数学概念来讲解PCA,在这个课程中,我们将另辟蹊径,绕开繁重的数学概念,使用梯度下降法的姊妹方法:梯度上升法来求解PCA问题,进而深刻理解PCA的基本原理,如何使用PCA进行数据的降维。我们还将给出多个PCA的应用场景,不仅让大家亲手实践出PCA降维的巨大威力,也让大家看到PCA在降噪,人脸识别等…7-1 什么是PCA第一步:将样例的均值归为0(demean)7-2 使用梯原创 2021-10-07 17:06:36 · 181 阅读 · 0 评论 -
6_梯度下降法(Gradient Descent)
6_梯度下降法(Gradient Descent)梯度下降法是在机器学习领域的一个重要的搜索策略。在这一章,我们将详细讲解梯度下降法的基本原理,一步一步改进梯度下降算法,让大家理解梯度下降法中各种参数,尤其是学习率的意义。同时,我们还将引申出随机梯度下降法和小批量梯度下降法两个方法,让大家对梯度下降法家族有一个全方位的认识。…6-1 什么是梯度下降法导数代表 theta单位变化时,J相应的变化导数可以代表方向,对应J增大的方向并不是所有函数都有唯一的极值点(多元多次函数原创 2021-10-04 12:24:19 · 226 阅读 · 0 评论 -
5_线性回归(Linear Regression)
5-1 简单线性回归5-2 最小二乘法5-3 简单线性回归的实现原创 2021-09-29 15:15:43 · 87 阅读 · 0 评论 -
4-kNN-k近邻算法(k-Nearest Neighbors)
4-kNN-k近邻算法(k-Nearest Neighbors)4-1 kNN算法基础4-2 scikit-learn中的机器学习算法封装原创 2021-09-28 16:40:02 · 175 阅读 · 0 评论 -
3_Jupyter Notebook, numpy和matplotlib
第3章 Jupyter Notebook, numpy和matplotlib工欲善其事,必先利其器。在本章,我们将学习和机器学习相关的基础工具的使用:Jupyter Notebook, numpy和matplotlib。3-1 Jupyter Notebook基础 3-2 Jupyter Notebook中的魔法命令了解基本的操作之后可以通过红框的设置隐藏一些工具功能,来扩大显示代码的区域。基本操作(鼠标点在代码区域的坐标)参考文档https://blog.csdn.net/enter89/原创 2021-09-28 16:28:55 · 112 阅读 · 0 评论 -
1-2_机器学习梗概
第1章 欢迎来到 Python3 玩转机器学习什么是机器学习?最早的机器学习应用:垃圾邮件分辨传统的计算机解决问题思路:编写规则,定义“垃圾邮件”,让计算机执行对于很多问题,规则很难定义规则在不断变化课程内容第2章 机器学习基础2-1机器学习世界的数据鸢尾花数据集数据集介绍:https://en.wikipedia.org/wiki/Iris_flower_data_setThe dataset contains a set of 150 records under fiv原创 2021-07-10 22:55:07 · 130 阅读 · 2 评论