![](https://img-blog.csdnimg.cn/direct/f82638c2c8314d48a2978fd2f36024bf.jpeg?x-oss-process=image/resize,m_fixed,h_224,w_224)
常见机器学习算法知识专栏
文章平均质量分 89
包含常见的机器学习算法的完整代码及原理解释,此处所指的机器学习不含深度学习模型算法
Trouville01
计算机博士在读,研究医疗AI领域算法
展开
-
2. 机器学习概述
假设我们要训练一个芒果分类的机器学习模型,首先我们列出每个芒果的特征(feature),包括颜色,大小,形状,产地,品牌等,以及我们需要预测的标签(label)。常见的超参数包括:聚类算法中的类别个数、梯度下降法中的步长,正则化项的系数,神经网络的层数,支持向量机中的核函数等。监督的特征学习的目标是抽取对一个特定的预测任务最有用的特征,比如线性判别分析(LDA).而无监督的特征学习和具体任务无关,其目标是减少冗余信息和噪声,比如主成分分析(PCA).不同类型的数据,其原始特征的空间也不相同。原创 2024-06-16 17:12:21 · 754 阅读 · 0 评论 -
1. 人工智能中的相关术语的概述
是指输入数据的底层特征和高层语义信息之间的不一致性和差异性,比如给出几张“猫”的照片,这些照片在像素级别上的差异性会非常大,我们理解这些照片为猫是在高层语义概念上的,如果一个预测模型直接建立在底层特征之上,则对模型的预测能力要求过高。: 为了学习一种好的表示,需要构建具有一定深度的模型,并通过学习算法来让模型自动学习出好的特征表示(从底层特征,到中层特征,再到高层特征),从而提高模型的预测准确率。一般来说在实际任务中,不同模型的性能的相差不多,而是前三步的处理对准确性起着关键的作用。在机器学习的过程中,原创 2024-06-15 21:10:55 · 586 阅读 · 0 评论