左左左左想

关联规则

众所周知，线性回归主要是用于预测，而当我们所研究的问题是一个分类问题，这里简化为一个二分类（假定两类为0和1）问题的话，由于线性回归目标函数y的输出域为负无穷到正无穷，因此线性回归就无法满足我们的需求。因此，我们就想到要将一般线性回归模型的输出从负无穷到正无穷映射至0到1之间（这里假定为输出的是将样本划分为1的概率），这样当目标函数的输出大于0.5时，我们将该样本划分为1；当目标函数小于0.5时，我

秋招在即，发现最近一直在做的都是深度学习里的一些项目。机器学习里的一些经典算法快忘光了。想重新再对一些经典的算法整理下，更好的面对即将到来的秋招。今天要总结的是机器学习里比较火的一种算法：支持向量机(Support Vector Machine)。1. 结构风险最小原理  在对支持向量机算法介绍之前，我们需要了解一下在传统的统计学里的一个概念“结构风险最小原理”。  首先我们回想一下，在机器学习中，

本博客仅为作者记录笔记之用，不免有很多细节不对之处。还望各位看官能够见谅，欢迎批评指正。  在机器学习和深度学习中，过拟合是一个十分常见的问题，一旦模型过拟合了，可能这个模型就无法适用于业务场景中了。所以为了降低产生过拟合的风险，机器学习中的大牛们提出了以下几种方法供大家使用：引入正则化Dropout提前终止训练增加样本量  本文将对这5种方法进行简单的讲解分析。1. 正则化  正则化的思