JEREMY的博客

机器学习，模型训练。

李宏毅机器学习PM2.5作业

主要重要的是这一部分：对于训练集的划分（训练集，验证集）

例如，在第一个阈值处，模型将所有的样本都预测为负例，因此FPR为0，而TPR也为0。在第二个阈值处，只有第一个样本的概率得分小于等于0.2，因此该样本被预测为负例，对于该样本，TPR为0/3=0，FPR为0/5=0。注意，最后一个阈值处的TPR为1，因为此时模型将所有样本都预测为正例。根据上述的FPR和TPR列表，我们可以计算ROC曲线下的面积（即ROC AUC）。之间的准确率，这个值在 0 到 1 之间，1 表示分类器完全正确，0 表示分类器完全错误。是用来计算分类模型的准确率的函数。

绘制的图像是TPR(真阳率) 和FPR(假阳率）之间的关系。

只有特征值，没有目标值（聚类：划分类别）。对于一份没有标签的数据， 有监督算法就会无从下手， 聚类算法能够将数据进行大致的划分， 最终让每一个数据点都有一个固定的类别。算法分类：聚类k-means,降维算法；异常检测、可视化。

如果拿到的数据特征过于庞大， 一方面会使得计算任务变得繁重；另一方面， 如果数据特征还有问题， 可能会对结果造成不利的影响。降维是机器学习领域中经常使用的数据处理方法， 一般通过某种映射方法， 将原始高维空间中的数据点映射到低维度的空间中。两种经典的降维算法——线性判别分析和主成分分析。

如果数据集是比较低维的数据时，低维数据信息有些少，这时可以将低维的数据映射为高维的数据进行模型的训练。用来实现线性的分类任务；用来实现线性的分类任务。可以用来实现非线性的分类任务，支持。可以用来实现非线性的回归任务，支持。rbf：高斯核函数（默认）可以添加多项式特征；可以添加多项式特征；poly：多项式核函数。

degree：度数，决定多项式的次数。

kNN

人工智能基础：分支：人工智能、机器学习、深度学习；主要分支：机器视觉CV(人脸识别)、自然语言处理NLP(语言识别、语义识别)和机器人；

SVM支持向量机

决策树算法

集成学习：使成多个分类器模型，各自独立学习和做出预测；最后结合组合预测。防止过拟合或者欠拟合的问题.