![](https://img-blog.csdnimg.cn/20201014180756913.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器学习
文章平均质量分 74
怕不是个弱智
就是个学生,而且智商不太够QAQ
展开
-
《机器学习实战(第二版)》学习记录
《机器学习实战(第二版)》学习记录-01第一章什么是机器学习?机器学习是一门通过编程让计算机从数据中进行学习的科学为甚么使用机器学习程序更短、更易维护、更精确;善于处理对于传统方法而言太复杂或没有已知算法的问题数据挖掘:使用机器学习方法挖掘大量数据来帮助发现不太明显的规律。例如:使用垃圾邮件过滤器训练了足够多的垃圾邮件后,用它列出垃圾邮件预测器的单词和的单词组合,有可能会发现不引人注意的关联或新趋势。机器学习适用于:有解决方案(但方案需大量人工微调或遵循大量规则)的问题:能够提供简化原创 2022-03-21 22:52:41 · 209 阅读 · 0 评论 -
《机器学习实战(第二版)》学习记录
《机器学习实战(第二版)》学习记录-01第一章什么是机器学习?机器学习是一门通过编程让计算机从数据中进行学习的科学为甚么使用机器学习程序更短、更易维护、更精确;善于处理对于传统方法而言太复杂或没有已知算法的问题数据挖掘:使用机器学习方法挖掘大量数据来帮助发现不太明显的规律。例如:使用垃圾邮件过滤器训练了足够多的垃圾邮件后,用它列出垃圾邮件预测器的单词和的单词组合,有可能会发现不引人注意的关联或新趋势。机器学习适用于:有解决方案(但方案需大量人工微调或遵循大量规则)的问题:能够提供简化原创 2022-03-20 22:29:07 · 1229 阅读 · 0 评论 -
朴素贝叶斯的概念简介
机器学习简介——朴素贝叶斯朴素贝叶斯朴素贝叶斯(Naive Bayes,NB):是一种基于概率理论的分类算法,以贝叶斯理论为理论基础,通过计算样本归属于不同类别的概率来进行分类,是一种经典的分类算法。贝叶斯理论:基于能获得的最好证据(观察、数据和信息等),来计算型信念度(或者假说、主张、命题)的有效方法。信念度即为对事物的真实性和正确性所具有的信心。朴素:单纯的、粗糙的,简单粗暴的假设给定目标值是属性之间相互条件独立的朴素贝叶斯的模型有m个样本,每个样本有n个特征,输出为k个类别,通过样本学习得原创 2021-07-22 11:18:01 · 7110 阅读 · 0 评论 -
支持向量机SVM
支持向量机(SVM)支持向量机SVM介绍什么是支持向量机所谓"支持向量"是指那些在间隔区域边缘的训练样本点,”机“是指算法。就是要找到具有最大间隔的间隔面,实际上解决的是一个最优分类器设计的问题。所以决定超平面(超平面方程)所在位置的关键,就在于位处于样本集边缘的部分样本数据。问题分析:目的:找到一个最优的分类器,换言之,找到一个超平面,使得分类间隔最大优化的目标函数:分类间隔。需要使得分类间隔最大优化的对象:分类超平面(决策平面)。通过调整分类超平面的位置,使得间隔最大,实现优化目标原创 2021-07-21 22:28:10 · 116 阅读 · 0 评论 -
回归分析——基本内容
回归分析变量之间X,Y之间存在某种密切的联系,但并非严格的函数关系(非确定性关系)回归:回归是处理两个或两个以上变量之间互相依赖的定量关系的一种统计方法和技术,变量之间的关系并非确定的函数关系,通过一定的概率分布来描述回归的分类线性与非线性线性的严格定义是一种映射关系,其映射关系满足可加性和其次性。通俗理解就是两个变量(因变量和自变量)之间存在一次方函数关系,在平面坐标系中表现为一条直线。不满足线性即为非线性。线性回归线性回归:在回归分析中,如果自变量和因变量之间存在着线性关系,则被称作线性原创 2021-07-14 20:47:48 · 2314 阅读 · 0 评论 -
2.模型评估与选择
机器学习简介—模型评估与选择纲要模型选择的原则模型的性能指标模型评估的方法模型性能的比较目标了解模型选择的原则掌握交叉验证法评估模型熟悉常见模型的性能指标了解模型评估的误差与方差模型选择误差:是模型的预测输出值与其真实值之间的差异。训练:通过已知的样本数据进行学习,从而得到模型的过程。训练误差:模型作用于训练集时的误差。泛化:由具体的、个别的扩大为一般的,即从特殊到一般,称为泛化。对机器学习的模型来讲,泛化是指模型作用于新的样本数据(非训练集)。泛化误差:模型作用于新原创 2021-07-13 22:08:39 · 609 阅读 · 2 评论 -
机器学习基本概念和方法三要素
课程目的懂原理可以使用工具来解决实际问题使用编程语言实现算法提升优化和改进算法的能力学习目标了解和机器学习相关的概念了解机器学习的实质了解常见的损失函数了解经验风险和结构风险机器学习的几个基本概念机器学习方法流程以监督学习方法为例,(比着例题来做习题)输入数据——》特征工程《——》模型训练——》模型部署——》模型应用模型(Models):通过丰富经验形成的处理过程特征工程(Features):在输入数据的基础上,整理、加工、扩展、合并等等形成的一些新的数据特征。建原创 2021-07-13 09:20:03 · 1132 阅读 · 0 评论 -
有监督学习简介——阿里云课堂随堂笔记
有监督学习算法有监督学习(Supervised learning):利用一组已知类别的样本来训练模型,使其达到性能要求。特点为输入数据(训练数据)均是一个明确的标识或结果(标签)。即我们提供样例”教“计算机如何学习。分类:Classification分类:就是通过已有的数据集(训练集)的学习,得到一个目标函数f(模型),把每个属性集x映射到目标属性y(类),且y必须是离散的(若y是连续的,则属于回归算法)。通过对已知类别训练集的分析,从中发现分类规则,依次预测新数据的类型。分类算法:按原理分原创 2021-07-08 14:45:48 · 425 阅读 · 0 评论 -
K-Means介绍
K-MeanK-Means 即K均值聚类,属于划分聚类。工作原理:根据初始化的聚类中心信息,计算每个样本到这些中心的距离 ,可以判断每个样本均归属于某个类簇,更新聚簇中心信息,重新计算每个样本到新的聚类中心的距离,重新划分样本到新的聚类中心对应的类中,重复进行,直到满足终止条件。有N个样本点,使用K-Means将其聚类的步骤:确定聚类的个数k,并指定k个聚类的中心C1,C2…Ck;计算每个样本Si 点到k个中心的距离,并将该店归入最近的Cj 类中,其中 i∈(1,N), j∈(1,k);重原创 2021-06-22 21:48:21 · 1221 阅读 · 0 评论