![](https://img-blog.csdnimg.cn/20201014180756738.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器学习
why1673
这个作者很懒,什么都没留下…
展开
-
机器学习入门KNN近邻算法(一)
1 机器学习处理流程:2 机器学习分类:有监督学习 主要用于决策支持,它利用有标识的历史数据进行训练,以实现对新数据的表示的预测1 分类 分类计数预测的数据对象是离散的。如短信是否为垃圾短信,用户是否喜欢电子产品 常用方法: K近邻、朴素贝叶斯、决策树、SVM2 回归 回归技术预测的数据对象是连续值。例如温度变化或时间变化。包括一...原创 2018-07-16 16:39:12 · 496 阅读 · 1 评论 -
数据分析与机器学习之线性回归(四)
一 机器学习分类有监督学习 1 概述: 主要用于决策支持,它利用有标识的历史数据进行训练,以实现对新数据的表示的预测 2 分类: 分类计数预测的数据对象是离散的。如短信是否为垃圾短信,用户是否喜欢电子产品 比如: K近邻、朴素贝叶斯、决策树、SVM 3 回归: 回归技术预测的数据对象是连续值, 例如温度变化或时间变化。包括一元回归和多...原创 2018-07-23 22:37:33 · 550 阅读 · 0 评论 -
机器学习之决策树(四)
1 决策树概述决策树(decision tree)是一个树结构(可以是二叉树或非二叉树)。其每个非叶节点表示一个特征属性上的测试,每个分支代表这个特征属性在某个值域上的输出,而每个叶节点存放一个类别。使用决策树进行决策的过程就是从根节点开始,测试待分类项中相应的特征属性,并按照其值选择输出分支,直到到达叶子节点,将叶子节点存放的类别作为决策结果。之前介绍的K-近邻算法可以完成很多分类任务,...原创 2018-07-19 19:33:26 · 582 阅读 · 0 评论 -
机器学习之贝叶斯(五)
1 朴素贝叶斯概述 朴素贝叶斯是一种简单但是非常强大的线性分类器。它在垃圾邮件分类,疾病诊断中都取得了很大的成功。它只所以称为朴素,是因为它假设特征之间是相互独立的,但是在现实生活中,这种假设基本上是不成立的。那么即使是在假设不成立的条件下,它依然表现的很好,尤其是在小规模样本的情况下。但是,如果每个特征之间有很强的关联性和非线性的分类问题会导致朴素贝叶斯模型有很差的分类效果。 ...原创 2018-07-20 08:47:08 · 421 阅读 · 0 评论 -
RandomForest 参数调优
随机森林参数记录1、先用默认参数看预测结果 2、然后用gridsearchcv探索n_estimators的最佳值 3、然后确定n_estimators,据此再搜索另外两个参数:再对内部节点再划分所需最小样本数min_samples_split和叶子节点...转载 2018-08-01 14:24:07 · 5795 阅读 · 1 评论 -
机器学习 交叉验证与网格搜索调参
网格搜索一般是针对参数进行寻优,交叉验证是为了验证训练模型拟合程度。sklearn中的相关API如下: (1)交叉验证的首要工作:切分数据集train/validation/testA.)没指定数据切分方式,直接选用cross_val_score按默认切分方式进行交叉验证评估得分,如下图fro...转载 2018-08-01 14:34:17 · 2730 阅读 · 1 评论