Machine Learning Note

算法

K近邻算法
  1. 欧氏距离(定义距离:特征值之间的距离)

  2. 数据洗牌(降低数据排列顺序对计算结果的影响)

  3. 数据预处理

  4. 模型的评估(数据集的划分:训练集&测试集;避免过拟合)
    RMSE均方根误差.
    数据标准化(z = x − μ σ \frac{x-μ}{σ} σxμ;均值μ=0;标准差σ=1)&归一化(Xnorm = X − X m i n X m a x − X m i n \frac{X-X_{min}}{X_{max}-X_{min}} XmaxXminXXmin

  5. scikit-learn 机器学习库(登入官网-需要翻墙)
    参数调节;交叉验证;逻辑回归;特征工程

线性回归
  1. 偏置项;权重参数;偏置参数
  2. 参数估计
  3. 似然函数;极大似然函数;极大似然估计
  4. 对数似然:不改变原函数单调性;将乘法转换成加法(最小二乘法);矩阵求偏导
  5. 矩阵求偏导;凸优化
  6. 梯度下降:批量梯度下降;随机梯度下降;小批量梯度下降(学习率)
逻辑回归
  1. List item
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值