机器学习常见问题整理?

机器学习项目流程?

答:理解实际问题,抽象成数学模型(分类、回归、聚类)——>获取数据——>特征预处理与特征选择——>训练模型与调优——>模型诊断(过拟合、欠拟合等)——>模型融合——>上线运行。

机器学习算法的分类?

答:监督学习、非监督学习、半监督学习、强化学习。

特征选择与降维的区别?

答:两者达到的效果是一样的,都是试图去减少特征数据集中的属性(特征)的数目;
但是两者所采用的方式方法却不同:降维的方法主要是通过属性间的关系,如组合不同的属性得新的属性,这样就改变了原来的特征空间;而特征选择的方法是从原始特征数据集中选择子集,是一种包含的关系,没有更改原始的特征空间。

特征选择的方法?

答:主要有三种方法:1)Filter;2)Wrapper;3)Embedded
1、Filter方法(过滤式)

其主要思想是:对每一维的特征“打分”,即给每一维的特征赋予权重,这样的权重就代表着该维特征的重要性,然后依据权重排序。

主要的方法有:
Chi-squared test(卡方检验)
information gain(信息增益)
correlation coefficient scores(相关系数)
2、Wrapper方法(包裹式)

其主要思想是:将子集的选择看作是一个搜索寻优问题,生成不同的组合,对组合进行评价,再与其他的组合进行比较。这样就将子集的选择看作是一个是一个优化问题,这里有很多的优化算法可以解决,尤其是一些启发式的优化算法,如GA,PSO,DE,ABC等,详见“优化算法——人工蜂群算法(ABC)”,“优化算法——粒子群算法(PSO)”。

主要方法有:recursive feature elimination algorithm(递归特征消除算法)

3、Embedded方法(嵌入式)

其主要思想是:在模型既定的情况下学习出对提高模型准确性最好的属性。这句话并不是很好理解&#

  • 3
    点赞
  • 28
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
机器学习框架是一种提供了一系列工具和功能的软件库或平台,用于简化和加速机器学习开发、训练和部署的过程。 机器学习框架提供了各种功能,包括但不限于以下方面: 1. 数据处理:机器学习框架通常提供了用于数据加载、数据预处理、数据增强等功能,帮助用户准备和整理输入数据。 2. 模型构建:机器学习框架提供了一系列的API和工具,用于构建各种类型的机器学习模型,如神经网络、决策树、支持向量机等。这些框架通常提供了各种模型层、激活函数、优化器等,以便用户可以方便地定义和配置模型。 3. 训练和优化:机器学习框架提供了训练算法和优化方法的实现,可以通过迭代训练数据集来调整模型参数,以最小化损失函数。这些框架通常提供了自动求导功能,能够自动计算梯度并进行参数更新。 4. 模型评估:机器学习框架提供了各种评估指标和方法,可以用于评估模型的性能和泛化能力,如准确率、精确率、召回率、F1分数等。 5. 部署和推理:机器学习框架通常提供了模型导出和部署的功能,可以将训练好的模型部署到生产环境中进行推理和预测。这些框架还可以优化模型的推理性能,以提高实时应用的效率。 常见机器学习框架包括TensorFlow、PyTorch、Scikit-learn、Keras等。它们提供了丰富的功能和易用的接口,帮助开发者快速构建、训练和部署机器学习模型。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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