机器学习
青雲-吾道乐途
青山不在欢颜笑,直挂云帆济沧海,吾道从此不孤行
展开
-
机器学习该怎么入门
有时候经常会上网收集很多资料,可能很多都没有看,但是感觉像是有瘾一样,很享受这样的过程,最近在进行机器学习的漫长学习过程,很多东西自己理解也不是很深刻,不敢贸然写博客,待后面慢慢更新。机器学习该怎么入门?在知乎上看到一个答案,觉得很不错,抄录如下:这几年,机器学习绝对是计算机领域最热门的话题和方向。笔者不属于专门研究机器学习,但是平时的工作会经常用到原创 2017-10-26 20:40:06 · 620 阅读 · 0 评论 -
机器学习正式更新-NG到西瓜书
首先Andrew-NG的斯坦福课程总算是陆陆续续花了一个半月时间看完了,笔记前前后后整理了前中后篇,但是谈不上有什么理解,基本上也是对照着一位大牛的笔记学习,咩有那份笔记,以我的数学水平怕是很难受。 研究生的数学课程很重要: 数值分析 矩阵理论 随机过程 数理方程 缺一不可,不要像我当年荒废了数学,如今的苦味只有自己去品尝。 在深度学习横行霸道的年代,我们仍然不能浮躁,我很心动,但是原创 2017-11-16 18:51:34 · 558 阅读 · 0 评论 -
什么是P问题、NP问题和NPC问题
关于这个东西,在听NG视频的时候反复出现,后来随便百度了一下,大致知道是什么个东西,今天再看西瓜书的时候又出现,实在是让人头疼,今天查了一番,看到一篇博文写的十分的详细。 转载如下: http://www.matrix67.com/blog/archives/105 这或许是众多OIer最大的误区之一。 你会经常看到网上出现“这怎么做,这不是NP问题吗”、“这个只有转载 2017-11-16 19:13:40 · 323 阅读 · 0 评论 -
模型评估与选择(中篇)-ROC曲线与AUC曲线
P-R曲线以二分类问题为例进行说明。分类结果的混淆矩阵如下图所示。假设,现在我们用某一算法h对样本进行二分类(划分为正例、反例)。由于算法可能与理想方法存在误差,因此在划分结果中,划分为正例的那部分样本中,可能存在正例,也可能存在反例。同理,在划分为反例的那部分样本中,也可能存在这样的误差。因此,我们需要定义一些指标来衡量我们的算法的好坏程度。下面是两个是目前常用的指标——查准率、查全率。 查准率P原创 2017-11-21 18:54:25 · 26715 阅读 · 5 评论 -
机器学习第二章模型评估与选择笔记(前篇)
之前听吴恩达机器学习课程视频的时候,是先讲完一些常用的学习算法,然后再来谈及模型评估与选择这一部分,而西瓜书却刚好相反,一上来就先讲这一部分,周老师大概是觉得这一部分太重要了,上来就告诉你这部九阳神功最核心的心法。防止遗忘,于是还是记录与摘抄一下。 知识点归纳 一、经验误差与过拟合【分类】:对是离散值的结果进行预测。【回归】:对是连续值的结果进行预测。分类和回归属于监督学习。【错误率】:分类原创 2017-11-21 14:44:22 · 644 阅读 · 0 评论 -
模型评估与选择(后篇)-代价曲线
看博客上都在说书上关于代价曲线的介绍太过于简单,只考书中的内容无法理解,我当时看完竟然咩有这种感觉,看来功力是完完全全的不够啊!建议大家看原论文(有30多页,我没去看,有时间的朋友可以阅读一下) 知乎上这个版主的回答很好 机器学习(周志华)第2.3.4节中,代价曲线的理解?2017/11/17号更新的,有幸在写这篇之前看到^_^主要参考博客: 1.西瓜书《机器学习》阅读笔记4——Chapt原创 2017-11-23 14:03:13 · 11786 阅读 · 6 评论 -
模型评估与选择(番外1)-比较检验与偏方差分析
主要参考博客: 1.理解机器学习中的偏差与方差 2.周志华《机器学习》笔记:2、模型评估与选择 3.机器学习模型性能评估方法笔记比较检验前面介绍了各种性能度量方式,但是其度量的是模型在测试集下的测试误差的性能状况,虽然其可以近似代替泛化性能,但毕竟与真实的泛化性能有一定的距离,在这里我们介绍通过假设检验的方式,利用测试误差来预估泛化误差从而得到模型的泛化性能情况,即基于假设检验结果我们可以推断原创 2017-11-23 16:05:16 · 3244 阅读 · 0 评论 -
模型评估与选择(番外2)-Stanford机器学习笔记-6.
Stanford机器学习笔记-6. 学习模型的评估和选择 之前在听AndrewNg课程的时候,觉得比西瓜书上的内容要多,毕竟它是学完常用的学习算法然后在进行讲解模型评估选择的,找到一篇很好的博客,我是写不出来的,便转载过来了。 原文链接标题已经给出,不习惯可以点击这里,博主还有很多很好的文章。转载 2017-11-23 16:39:45 · 702 阅读 · 0 评论