ML
文章平均质量分 67
concepts and technologies about ml
WihauShe
Keep ambitious and modest.
Be different.
Don't get distracted.
展开
-
机器学习之聚类和降维与度量技术
聚类聚类任务 “无监督学习”的目标是通过对无标记训练样本的学习来揭示数据的内在性质及规律,为进一步的数据分析提供基础。 聚类试图将数据集中的样本划分为若干个通常是不相交的子集,每个子集称为一个“簇”。通过这样的划分,每个簇可能对应于一些潜在的概念(类别),这些概念对聚类算法而言事先是未知的,聚类过程仅能自动形成簇结构,簇所对应的概念语义由使用者来把握和命名。性能度量 聚类性能度量亦称聚类“有效性指标”。 类别:将聚类结果与某个“参考模型”进行比较,称为“外部指标”;直接参考聚类结果而不利用任何参原创 2021-11-01 17:09:54 · 506 阅读 · 0 评论 -
TensorFlow 2:使用神经网络对Fashion MNIST分类并进行比较分析
实验设置 本实验采用不同激活函数的神经网络对MNIST数据集进行分类,同时探究隐藏层数量对实验结果的影响。实验的隐藏层主要为1层和2层,而激活函数分别为ReLU、Laaky ReLU和Softmax,输出函数不变均为Softmax。实验数据集为Fashion MNIST数据集,主要用于手写识别的多分类。代码及实验结果隐藏层为1层时的不同激活函数表现# TensorFlow and tf.kerasimport tensorflow as tffrom tensorflow import ke原创 2021-04-14 15:59:12 · 457 阅读 · 0 评论 -
机器学习之贝叶斯分类与集成学习
贝叶斯分类贝叶斯决策论 贝叶斯决策论是在概率框架下实施决策的基本方法。 对分类任务来说,在所有相关概率都已知的理想情形下,贝叶斯决策论考虑如何基于这些概率和误判损失来选择最优的类别标记。 估计后验概率: (1)给定x,可通过直接建模P(c|x)来预测c,这样得到的是“判别式模型” (2)先对联合概率分布P(x原创 2020-12-08 19:38:09 · 1464 阅读 · 0 评论 -
机器学习之神经网络与支持向量机
神经网络定义 神经网络是由具有适应性的简单单元组成的广泛并行互连的网络,它的组织能够模拟生物神经系统对真实世界物体所作出的交互反应神经元模型 M-P神经元模型:接收到来自n个其他神经元通过带权重连接传递的输入信号,总输入值大于阈值则通过“激活函数”处理以产生神经元模型 激活函数:阶跃函数(不连续、不光滑)、Sigmoid函数感知机与多层网络感知机有两层神经原创 2020-11-24 11:00:01 · 2244 阅读 · 0 评论 -
机器学习之线性模型与决策树
线性模型线性回归最小二乘法:基于均方误差最小化进行模型求解的方法对数线性回归:将输出标记的对数作为新型模型逼近的目标对数几率回归单位阶跃函数对数几率函数线性判别分析(LDA) 一种经典的线性学习方法,给定训练样例集,设法将样例集投影到一条直线上,使得同类样例的投影点尽可能接近、异类样例的投影点尽可能远离,可根据新样本投影点的位置确定样本的类别多分类学习 拆分策略:一对一、一对其余、多对多原创 2020-10-30 11:04:18 · 1188 阅读 · 0 评论 -
机器学习之模型评估与选择
相关概念错误率:分类错误的样本占样本总数的比例精度:1-错误率误差:学习器的实际预测输出与样本的真实输出之间的差异训练误差(经验误差):学习器在训练集上的误差泛化误差:学习器在新样本上的误差过拟合:学习器可能已经把训练样本自身的一些特点当做了所有潜在样本都具有的一般性质,导致泛化性能下降欠拟合:学习器学习能力低下而对训练样本的一般性质尚未学好模型选择:选择学习算法和参数配置评估方法留出法:将数据集划分为两个互斥的集合,其中一个集合作为训练集,另原创 2020-10-20 16:54:58 · 119 阅读 · 0 评论 -
初识机器学习
概念 利用计算机从历史数据中找出规律,并把这些规律用到对未来不确定场景的决策。特点在数据中寻找规律用数据代替专家经济驱动,数据变现发展历史基于专家经验基于统计-分纬度统计机器学习-在线学习数据分析与机器学习常用的算法框架...原创 2020-06-26 17:59:14 · 155 阅读 · 0 评论 -
机器学习之绪论
相关概念学习(训练):从数据中学得模型的过程训练数据:训练过程中使用的数据训练样本:训练数据中每一个样本训练集:训练样本组成的集合假设:学得模型对应关于数据的某种潜在规律真相(真实):潜在规律自身测试:使用学习后的模型进行预测的过程测试样本:被预测的样本泛化能力:学得模型适用于新样本的能力归纳与演绎是科学推理的两大基本手段归纳:从特殊到一般的“泛化”过程,从具体的事实归结出一般性规律演绎:从一般到特殊的“特化”过程,从基础原理推演出具体原创 2020-10-14 15:42:51 · 96 阅读 · 0 评论