西瓜书笔记（前两章）

最新推荐文章于 2024-07-19 19:11:19 发布
最新推荐文章于 2024-07-19 19:11:19 发布
阅读量253 收藏
点赞数
文章标签： 算法 机器学习 数据挖掘
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_43627017/article/details/122445197
版权

第1章 绪论
对于一个学习算法a,若它在某问题上比学习算法b好,则必然存在另一些问题,在那里b比a好.即"没有免费的午餐"定理(No Free Lunch Theorem,NFL).因此要谈论算法的相对优劣,必须要针对具体的学习问题
回到顶部
第2章 模型评估与选择
m次n折交叉验证实际上进行了m*n次训练和测试
可以用F1度量的一般形式Fβ来表达对查准率/查全率的偏好:
偏差度量了学习算法的期望预测与真实结果的偏离程度,即学习算法本身的拟合能力,方差度量了同样大小的训练集的变动所导致的学习性能的变化,即数据扰动造成的影响.噪声表达了当前任务上任何学习算法所能达到的期望泛化误差的下界,即学习问题本身的难度.

永不停歇的疯狂
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
西瓜书前两章学习笔记.pdf
11-16
西瓜书学习笔记.pdf
机器学习-西瓜书笔记汇总1
08-03
1绪论傍晚小街路面上沁出微雨后的湿润，和熙的细风吹来，抬头看看天边的晚霞，嗯，明天又是一个好天气。走到水果摊旁，挑了个根蒂蜷缩、敲起来声音浊响的青绿西瓜，一边满
【西瓜书笔记】前两章
m0_47125572的博客
03-15 286
第一章 机器学习基于数据，数据集中的一个微观个体成为示例或样本，横向。纵向称为属性或特征，属性取值为属性值，所有特征取值张成的空间为样本空间、输入空间。在这种空间中能找到任意示例的坐标，因此可以吧示例称为特征向量。 将数据集划分为子样本进行学习与测试，即训练集与测试集。 有无监督学习指是否有标记信息即Y，有监督学习代表为分类与回归，无监督学习代表为聚类。 根据Y是离散的还是连续的，前者为分类，后者为回归，聚类得出的为潜在分类。 二分类分正类负类即两种标签值。 模型的潜在的泛化能力要被重视，而不是
西瓜书笔记 第一章 —— 绪论
ansf_fei的博客
11-13 80
如果属性色泽、根蒂、敲声分别有3 、2 、2种可能取值，还要考虑到一种属性可能无论取什么值都合适（用通配符*表示），另外有一种情况就是好瓜这个概念根本不成立（用∅表示），则假设空间大小为 （3 + 1）×（2 + 1）×（2 + 1）+ 1 = 37。因为训练样本数量有限，假设空间含有很多假设，最终筛选后有可能剩下多个假设是符合训练样本的，这些剩下的假设组成的集合就称为版本空间。训练使用的数据（一袋西瓜），模型（判断是否为好瓜的整个过程），示例结果的信息（好瓜或坏瓜），拥有标记信息的示例（打上标记的瓜）
西瓜书前两章学习笔记
xm_812的博客
08-16 75
还是习惯手写笔记~
西瓜书前两章notability笔记
m0_51262958的博客
11-17 69
西瓜书前两章notability笔记
西瓜书读书笔记整理（十一） —— 第十一章 特征选择与稀疏学习
Smileyan's blog
01-16 2216
过滤式方法先对数据集进行特征选择，然后再训练学习器，特征选择过程与后续学习器无关。这相当于先用特征选择过程对初始特征进行 “过滤”，再用过滤后的特征来训练模型。换而言之，过滤式特征选择是一种在特征选择过程中独立于具体机器学习模型的方法。与过滤式特征选择不考虑后续学习器不同，包裹式特征选择直接把最终将要使用的学习器的性能作为特征子集的评价准则。换言之，包裹式特征选择的目的就是为给学习器选择最有利于性能、“量身定做” 的特征子集。嵌入式特征选择。
西瓜书笔记第一章 模型评估与选择
CoSword
01-12 285
第一章 模型的输入与评估 西瓜书概念很多，由过去多次反复入门经验，先选择摘取重要概念作为笔记，不纠结其他概念，实际代码中用到再深入。 机器学习关键是三步：1.构造输入 2.选择数学模型(线性回归、神经网络等) 3.评估输出并最小化误差（梯度下降），本章讨论模型如何选择输入数据和常见的评估指标 1.输入数据选择 1.留出法 留出法将数据集D分为两个互斥集合，其中一个作为训练集S，另一个作为测试集T。注意，划分数据集时要保持数据分布的一致性，以二分类任务为例，若训练集中正例与反例数量比2:3，则在测试集中
机器学习西瓜书笔记
weixin_44844703的博客
03-04 770
1.精度=1-错误率 2.训练集上的误差为‘训练误差’或‘经验误差’，新样本上的误差为‘泛化误差’ 3.过拟合是机器学习面临的关键障碍，欠拟合可通过决策树学习中拓展分支，在神经网络学习中增加训练轮数 4.过拟合无法彻底避免单次留出法不够稳定可靠，一般要采用若干次随机划分、重复进行试验评估取平均值作为留出法的评估结果，常见做法是将大约2/3～4/5的样本用作训练下面是K折交叉验证的基本步骤： 将数据集分成K个大小相似的子集，通常称为折（fold）。 选择一个折作为测试集，其余K-1个折作为训练集。 使用训练集
西瓜书第六章笔记
qq_51686392的博客
10-31 217
西瓜书第六章部分笔记
西瓜书学习笔记第九章聚类
UEVOLIshy的博客
07-04 525
文章目录1 知识脉络2 内容补充9.1节 聚类任务9.2节 性能度量9.3节 距离计算9.4节 原型聚类9.4.1 k均值算法9.4.2 学习向量量化9.4.3 高斯混合聚类9.5节 密度聚类9.6节 层次聚类9.7节 阅读材料3 课后题4 代码实现5 参考 1 知识脉络 2 内容补充 9.1节 聚类任务 9.2节 性能度量 9.3节 距离计算 9.4节 原型聚类 9.4.1 k均值算法 9.4....
西瓜书第一二章总结笔记
06-14
自学西瓜书入门机器学习
西瓜书周志华3~6章笔记总结
10-24
自己给自己看的，总结的不好，别骂，别管~
西瓜书第三章，线性判别分析笔记
01-26
本文是西瓜书第三章的笔记，讨论了线性判别分析（LDA）的算法原理和实现细节。线性判别分析是一种常用的机器学习算法，用于高维数据的降维和分类。 线性判别分析算法原理 线性判别分析的主要思想是将高维数据投影...
【18】输出字符菱形
2301_78786609的博客
07-19 195
用‘*’构造一个对角线长n个字符，倾斜放置的菱形。
Held-Karp算法的C++代码
最新发布
m0_61862494的博客
07-19 105
Held-Karp算法是动态规划的一种应用，用于解决旅行商问题 (TSP)。该算法通过记录部分路径的最小成本来避免重复计算，从而有效地降低计算复杂度。Held-Karp算法使用一个状态压缩动态规划表。表示从起点出发，访问过所有由。表示的集合中的节点，并以节点。结束的最小路径长度。
Leetcode—207. 课程表【中等】
Atticus的博客
07-19 178
运行结果 之后我会持续更新，如果喜欢我的文章，请记得一键三连哦，点赞关注收藏，你的每一个赞每一份关注每一次收藏都将是我前进路上的无限动力 ！！！↖(▔▽▔)↗感谢支持！
常见的排序算法，复杂度
m0_61544805的博客
07-16 505
稳定 / 非稳定排序：两个相等的数 排序前后 相对位置不变。 插入排序（希尔排序）： 每一趟将一个待排序记录，按其关键字的大小插入到已排好序的一组记录的适当位置上，直到所有待排序记录全部插入为止。稳定，O(n)，O(1)。 把记录按下标增量（模）分组，对每组进行直接插入排序，每次排序后减小增量，当增量减至 1 时排序完毕。不稳定，不知道（有个实验结论），O(1)。 冒泡排序： 比较相邻的元素，如果第一个比第二个大就进行交换，对每一对相邻元素做同样的工作。稳定，O(n)，O(1)。 选择
西瓜书学习笔记第三章
06-06
西瓜书学习笔记中的内容通常指的是某本书籍或在线课程的学习资料，由于没有具体的书籍名称和章节信息，我无法直接提供详细的第三章内容。西瓜书可能是网上的一个通用术语，用于指代某种学习资源的组织形式，比如某个编程教材系列被称作“西瓜书”。 如果你能提供“西瓜书”的全名，或者第三章的主题（例如编程语言、算法、数据结构等），我会更有可能为你提供准确的帮助。如果你是在寻求关于某个主题的学习笔记概述，我可以给出一般性的介绍或者指导你如何找到相关的学习资源。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值