机器学习
文章平均质量分 90
机器学习
西西先生666
这个作者很懒,什么都没留下…
展开
-
机器学习中常用的距离度量方式
机器学习中常用的距离度量方式原创 2022-12-23 11:43:13 · 387 阅读 · 0 评论 -
深度学习之BatchNorm和LayerNorm
BatchNorm和BatchNorm区别原创 2022-10-17 09:58:29 · 320 阅读 · 0 评论 -
机器学习之桑基图(用于用户行为分析)
用户行为分析:路径分析(python实现桑基图);漏斗分析原创 2022-07-20 11:50:19 · 1112 阅读 · 0 评论 -
机器学习之信用卡欺诈检测
机器学习之信用卡欺诈检测原创 2022-07-18 16:28:37 · 4945 阅读 · 0 评论 -
机器学习之Python常用函数及模块整理
机器学习之Python常用函数整理1. map函数2. apply函数3. applymap函数4. groupby函数5. agg函数6. lambda函数7. rank函数8. pandas set_option函数: 数据框展示设置9. eval和ast.literal_val:字符串解析10. python中日期函数10.1 strftime函数: datetime类---> string10.2 strptime函数: string---> datetime类10.3 日历函数11.原创 2021-05-08 15:33:55 · 558 阅读 · 0 评论 -
机器学习之python文件读取
机器学习之python文件读取一、read_sql与to_sql函数1.1 read_sql函数1.2 to_sql函数二、from_dict函数和to_dict函数2.1 from_dict函数2.2 to_dict函数三、read_json函数和to_json函数3.1 read_json函数3.2 to_json函数四、read_html函数和to_html函数4.1 read_html函数4.2 to_html函数五、read_csv函数和to_csv函数5.1 read_csv函数5.2 to_c原创 2022-01-28 11:36:50 · 3868 阅读 · 0 评论 -
机器学习之朴素贝叶斯
机器学习之朴素贝叶斯一、朴素贝叶斯算法原理1.1 朴素贝叶斯假设1.2 朴素贝叶斯参数估计:二、朴素贝叶斯代码实现2.1 GaussianNB2.2 MultinomialNB2.3 BernoulliNB一、朴素贝叶斯算法原理1.1 朴素贝叶斯假设对于分类样本(X1(1),X2(1),...,Xn(1),y1),...,(X1(m),X2(m),...,Xn(m),ym)(X_1^{(1)}, X_2^{(1)},...,X_n^{(1)}, y_1),...,(X_1^{(m)}, X_2^{(原创 2021-07-22 17:52:44 · 257 阅读 · 0 评论 -
机器学习之聚类算法
机器学习之聚类算法一、K-Means聚类及其优化算法1.1 传统K-Means聚类算法1.1.1 原理1.1.2 代码实现一、K-Means聚类及其优化算法1.1 传统K-Means聚类算法1.1.1 原理算法流程输入:样本集合D=x1,x2,...,xnD={x_1, x_2, ..., x_n}D=x1,x2,...,xn,聚类簇数kkk, 最大迭代次数NNN;输出:簇划分C=C1,C2,...,CkC={C_1, C_2, ..., C_k}C=C1,C2,...,Ck;1原创 2021-07-22 14:35:22 · 508 阅读 · 0 评论 -
机器学习之金融风控
金融风控原创 2021-07-02 20:10:53 · 602 阅读 · 0 评论 -
机器学习之不平衡数据处理
机器学习之不平衡数据集处理一、不平衡数据集1.1 不平衡数据集定义1.2 处理方法一、不平衡数据集1.1 不平衡数据集定义不平衡数据集指的是数据集各个类别的样本量极不均衡。以二分类问题为例,假设正类的样本数量远大于负类的样本数量,通常情况下把样本比例接近100:1这种情况下的数据称为不平衡数据。1.2 处理方法...原创 2021-06-25 09:52:56 · 1482 阅读 · 0 评论 -
机器学习之二分类模型评价指标
机器学习之二分类模型评价指标一、二分类模型衡量指标1.1 混淆矩阵:Confusion matrix1.2 精确度:Accuracy1.3 准确率:Precision1.4 召回率:Recall一、二分类模型衡量指标1.1 混淆矩阵:Confusion matrixP(Positive) :代表1N(Negative) :代表0T(True) :代表预测正确F(False) :代表预测错误1.2 精确度:Accuracy预测正确的结果占总样本的比例。Precision=TP+TNT原创 2021-06-08 11:56:37 · 4549 阅读 · 0 评论 -
机器学习之特征选择
机器学习之特征选择1. 特征选择原理2. 特征选择分类2.1 过滤法2.2 打包法2.3 嵌入法3. 特征选择常见的实现方式3.1 方差阈值特征选择(过滤法)3.2 相关性过滤法(过滤法)3.3 相关性过滤法1. 特征选择原理特征选择:是在原始数据中选取有效特征以降低数据维度,提高模型性能。模型效果与特征维数关系如下图所示,不是说特征数量越多模型效果越好。特征选择优势:提高精度降低过拟合风险加快训练速度改进数据可视化增加模型可解释性特征选择类似于降维技术,其目的是减少特征的数量,但原创 2021-04-15 21:07:04 · 3746 阅读 · 0 评论 -
机器学习之正则表达式
机器学习之正则表达式原创 2021-05-02 21:01:43 · 1751 阅读 · 0 评论 -
机器学习之集成树模型
集成学习之树模型一级目录二级目录三级目录本文主要介绍GBDT、XGBoost、LightGBM和CatBoost为代表的Boosting算法原理、使用方法和调参方式进行介绍。一级目录二级目录三级目录原创 2021-05-13 15:30:02 · 1470 阅读 · 0 评论