一般机器学习策略(General Machine Learning Strategy)

Outline for today:

  1. 模型选择(ModelSelection)
  2. 高偏差(high bias),高反差(high variance)怎么解决
  3. 误差分析(Error Analysics) 和 销蚀分析(Ablative analysics)
  4. 构建机器学习模型的基本步骤

Now, lets move on…

Model Selection
通常在解决问题之前并不清楚哪个模型的效果会最好,一般情况下会建立多个模型训练后从中选出最佳的模型!实际上也就是对超参数(hyperparameters)的调整。例如线性回归问题中的局部加权或其他回归的带宽参数,svm中常量c的选择…
假设 M = { m 1 , m 2 , m 3 , … … , m n } M = \{m_1, m_2, m_3,……, m_n\} M={ m

  • 3
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
机器学习Machine Learning)是一门研究如何使计算机具备自动学习能力的学科。它通过构建数学模型和算法,让计算机能够从已经有的数据中自动学习,并根据学习到的知识完成各种任务,而无需显式地编程指令。 机器学习的核心思想是从海量的数据中抽取出其中的模式和规律,并将这些模式和规律应用于新的数据。通过统计学和概率论的方法,机器学习能够学习到数据之间的相关性,对未知的数据进行预测和分类。 在实际应用中,机器学习可以应用在各个领域,例如自然语言处理、图像识别、推荐系统、医学诊断等。机器学习算法可以根据不同的问题和数据类型选择不同的方法,如决策树、支持向量机、神经网络等。 机器学习的研究可以分为监督学习、无监督学习和强化学习三大类。监督学习是指给机器提供已经标注好的数据,让机器根据这些数据进行学习,例如给机器看很多猫的图片,让机器学习如何识别猫。无监督学习是指让机器自己从无标签的数据中学习,尝试发现数据之间的相似性和规律。强化学习则是通过试错的方式,让机器通过与环境的交互学习最优的策略机器学习的发展离不开大数据的支持,只有在海量的数据中才能够发现更加精准的规律。同时,也需要强大计算能力的支持,以便能够处理和分析大规模的数据。 机器学习在如今信息爆炸的时代具有广泛的应用前景,将成为数据驱动决策和智能化技术的重要基础。同时,随着硬件技术的不断发展和优化,机器学习的效率和准确度也将不断提高,助力人类更好地应对各种复杂的问题和挑战。

“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

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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