![](https://img-blog.csdnimg.cn/20201014180756923.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器学习
文章平均质量分 80
咖哥
《零基础学机器学习》《数据分析咖哥十话》作者
展开
-
ChatGPT原理与技术演进剖析
— 要抓住一个风口,你得先了解这个风口的内核究竟是什么。ChatGPT相关文章已经铺天盖地,剖析(现阶段或者只能说揣测)其底层原理的优秀文章也已经出现,让我们一窥究竟。原创 2023-02-19 23:33:26 · 4275 阅读 · 0 评论 -
scikit-learn算法精讲 之 层次聚类和树状图
层次聚类(Hierarchical Clustering)是聚类算法的一族算法的总称,它通过连续合并或拆分聚类来构建嵌套聚类。这种聚类的层次结构就像树一样,树的根是收集所有样本的唯一簇,叶子是只有一个样本的簇。上图中,树根聚类就是abcdef,叶子聚类就是每一个字母的节点。在scikit-learn中,层次聚类可以通过AgglomerativeClustering对象来实现。这个算法使用自下而上的方法执行层次聚类:每次都从其自己的聚类开始,然后将聚类连续合并在一起。原创 2022-08-24 17:09:08 · 3946 阅读 · 0 评论 -
史上最易懂——一文详解线性回归算法的纯Python实现
本文详细拆解了线性回归算法的纯Python实现,并不调用任何线性回归函数库。用浅显易懂的方法介绍一些机器学习相关的入门内容和基础算法。原创 2021-03-12 19:24:44 · 1307 阅读 · 0 评论 -
欢迎大家参加阿里云天池牛年读书会
欢迎大家参加阿里云天池牛年读书会AI领域热门书籍,大咖专业解读,沉浸式案例实践+训练营学习,还可以邀朋友一起瓜分10万张天池粮票粮票换礼品原创 2021-03-06 11:37:46 · 223 阅读 · 0 评论 -
调参太费力?自动化机器学习(AutoML)来了!
特征工程的麻烦,参数调优之苦恼,资深的机器学习调包侠和炼丹师们一定早有体会。但是机器学习模型的部署过程难度何在呢?主要在于算法需要针对每个不同的实际场景进行配置和调整,因此经常变动,这使得部署过程也非常耗费人工,效率不高且容易出错。有时候会因为赶时间,过早将模型从实验阶段转移到生产阶段,导致它们发挥不出最佳效果;也有时会因为花了太多时间进行参数调优导致部署延迟。原创 2021-01-29 00:31:20 · 846 阅读 · 0 评论 -
干货!如何快速选择Sklearn机器学习模型!
不过,解决机器学习问题的最难的部分,其实不是缺乏工具,而是如何为具体项目找到合适的机器学习模型。如何快速选择Sklearn机器学习模型,我们给你答案。原创 2020-12-28 15:25:51 · 1524 阅读 · 0 评论 -
机器学习内卷了吗?
机器学习内卷了吗?一本优秀的机器学习入门书籍《零基础学机器学习》的创作手记。原创 2020-12-25 18:36:00 · 700 阅读 · 0 评论 -
新书上市第13天,在亚马逊Kindle电子书人工智能榜第三,与《未来简史》和李开复《人工智能》同榜
如题,我的《零基础学机器学习》排在尤瓦尔赫拉利 《未来简史》和李航《统计学习方法》之后,排在李开复《人工智能》之前。话说,岌岌无名的我,正是因为读了《未来简史》这本书,才开始投入人工智能技术的学习。可以说,没有未来简史。就没有我的这本《零基础学机器学习》。购书链接:京东:https://item.jd.com/12763913.html当当:http://product.dangdang.com/29159728.html能够与前辈大师同榜数日,无憾矣!!!...原创 2020-12-14 15:58:45 · 1817 阅读 · 2 评论 -
用随机森林预测客户是否会流失
这篇文章中,我们将通过集成学习家族中的重要武器——**随机森林算法**来预测银行客户是否会流失。该项目的具体需求是根据已知的一批客户数据来预测某个银行的客户是否会流失。通过学习历史数据,如果机器能够判断出哪些客户很有可能在未来两年内结束在该银行的业务(这当然是银行所不希望看到的),那么银行的工作人员就可以采取相应的、有针对性的措施来挽留这些高流失风险的客户。其实这个问题本质上是二分类问题,我们看看如何用随机森林来解决这类问题有何优势。原创 2020-12-13 11:43:02 · 2195 阅读 · 3 评论 -
集成学习精讲之Stacking和Blending(附源代码)
集成学习,分为两大类。如果基模型都是通过一个基础算法生成的同类型的学习器,这叫同质集成。有同质集成就有异质集成,就是把不同类型的算法集成在一起。—— Stacking 和 Blending,就是两种异质集成学习方法。原创 2020-12-05 15:49:20 · 1930 阅读 · 0 评论 -
集成学习精讲之Boosting - SAP大神黄佳新作《零基础学机器学习》节选
Boosting的意思就是提升,这是一族通过训练弱学习模型的肌肉将其提升为强学习模型的算法。要想在机器学习竞赛中追求卓越,Boosting是一种必须的存在。这是一个属于高手的技术。原创 2020-12-05 13:38:34 · 1124 阅读 · 0 评论 -
集成学习精讲02 - Bagging方法:多个基模型的聚合(SAP大神黄佳新作《零基础学机器学习》节选)
Bagging是我们要讲的第一种集成学习方法,是Bootstrap Aggregating的缩写。有人把它翻译为套袋法,装袋法,或者自助聚合,没有个统一的叫法,那就直接用它的英文名称。其算法的基本思想是从原始的数据集中抽取数据,形成k个随机的新训练集,然后训练出k个不同的模型。这是5篇文章中的第二篇: 1. 集成学习集成知识:偏差和方差 2. Bagging 3. Boosting 4. Stacking/Blending 5. Voting/Averaging原创 2020-11-28 13:00:19 · 2541 阅读 · 4 评论 -
集成学习精讲01 - SAP大神黄佳新作《零基础学机器学习》节选
集成学习(ensemble learning),是通过构建出多个模型(这些模型可以是比较弱的模型),然后将它们组合起来完成任务。名字听起来比较高大上,但它其实是很经典的机器学习方法了。在深度学习时代,集成学习仍然具有很高的江湖地位。它的核心策略是通过模型的集成减少机器学习中的方差(variance)和偏差(bias)。我们将分为5篇文章介绍集成学习,分别是: 1. 偏差和方差 2. Bagging 3. Boosting 4. Stacking/Blending 5. Voting/Avera原创 2020-11-28 11:49:09 · 2869 阅读 · 2 评论 -
机器学习项目实战五部曲
机器学习项目实战-五部曲(之一)第一环:问题的构建和概念化李宏毅老师曾用大象装进冰箱来比喻机器学习。大象怎么装进冰箱?3个步骤:打开冰箱门、放进去、关门。机器学习也就是个三部曲:选择函数模型,评估函数的优劣,确定最优的函数。这个比喻非常精彩,但它主要聚焦于“建模”过程,未强调机器学习项目其他环节。机器学习项目的实际流程要更复杂一些。大致分为:1. 问题的定义2. 数据准备和特征工程3. 模型(算法)的选择4. 机器学习(训练机器的过程)5. 评估和性能优化这5个阶段。每一步的处理是否得当,都原创 2020-05-15 16:29:10 · 1334 阅读 · 0 评论