数据挖掘
玩世不恭的Coder
爱专研,爱分享,热衷于各种技术,学习之余喜欢下象棋、听音乐、聊动漫,未来也许会当一名Coder(我很菜,但我会坚持)。希望借此一亩三分地记录自己的成长过程以及生活点滴,也希望能结实更多志同道合的朋友。有问题,欢迎大家随时给我留言和发邮件(26647879@qq.com)~~~
展开
-
《Machine Learning in Action》—— 懂的都懂,不懂的也能懂。非线性支持向量机
说在前面: 前几天,公众号不是给大家推送了第二篇关于决策树的文章嘛。阅读过的读者应该会发现,在最后排版已经有点乱套了。真的很抱歉,也不知道咋回事,到了后期Markdown格式文件的内容就解析出现问题了,似乎涉及到Latex就会多多少少排版错乱???暂时也没什么比较好的解决办法,如果有朋友知道的可以联系下Taoye,长时间用Markdown + Latex码文已成习惯了,关于机器学习文章的内容,更好的阅读体验,大家可以跳转至我在Cmd Markdown平台发布的内容,也可前往我的掘金主页,阅读体验都是不错的,原创 2020-11-23 22:36:34 · 306 阅读 · 1 评论 -
《Machine Learning in Action》—— hao朋友,快来玩啊,决策树呦
《Machine Learning in Action》—— 小朋友,快来玩啊,决策树呦在上篇文章中,《Machine Learning in Action》—— Taoye给你讲讲决策树到底是支什么“鬼”主要讲述了决策树的理论内容,介绍了什么决策树,以及生成决策树时所需要优先选取的三种决策标准。有学习的过SVM,或阅读过Taoye之前写的几篇SVM内容的文章可以发现,决策树相对于SVM来讲要简单很多,没有太多且复杂的公式推导。我们在把之前的内容稍微回顾下:属性特征的信息增益越高,按道理来讲应当被优原创 2020-11-21 20:33:46 · 316 阅读 · 1 评论 -
《Machine Learning in Action》—— Taoye给你讲讲决策树到底是支什么“鬼”
《Machine Learning in Action》—— Taoye给你讲讲决策树到底是支什么“鬼”前面我们已经详细讲解了线性SVM以及SMO的初步优化过程,具体可看:《Machine Learning in Action》—— 剖析支持向量机,优化SMO《Machine Learning in Action》—— 剖析支持向量机,单手狂撕线性SVM关于SVM非线性相关的内容,我们留着下个星期来撕这篇文章我们先来看看决策树的内容,决策树相对于SVM来讲要简单不少,也没有多么复杂的公式。我理原创 2020-11-19 20:51:19 · 306 阅读 · 1 评论