机器学习
文章平均质量分 90
AI自修室
关注于 深度学习 机器学习 图像分割 图像处理等计算机视觉领域。
展开
-
机器学习-- 如何清洗数据集
数据清洗是数据处理和分析中的重要步骤,旨在确保数据的准确性、一致性和完整性。通过处理缺失值、去除重复数据、修正数据格式、处理异常值、标准化和归一化、处理不一致的数据、转换数据类型和数据集成,可以大大提高数据的质量,为后续的数据分析和建模提供坚实的基础。原创 2024-06-10 08:20:29 · 1929 阅读 · 1 评论 -
机器学习--生成式模型和判别式模型的具体分析
生成式模型是用于建模输入数据 (X) 和标签 (Y) 的联合概率分布 (P(X, Y))。通过学习联合分布,生成式模型可以推导出条件概率 (P(Y|X)) 进行分类,并且能够生成新的数据样本。原创 2024-06-10 07:59:31 · 976 阅读 · 0 评论 -
机器学习--线性模型和非线性模型的区别?哪些模型是线性模型,哪些模型是非线性模型?
优点:简单、易解释、训练速度快、计算效率高。缺点:无法处理复杂的非线性关系,对数据分布要求高。适用场景:输入特征和输出变量之间存在明显线性关系,数据量大且结构较简单。原创 2024-06-09 09:14:59 · 1830 阅读 · 0 评论 -
机器学习--回归模型和分类模型常用损失函数总结(详细)
*均方误差(MSE)**适用于大多数回归问题,特别是异常值较少的情况下。**均方根误差(RMSE)**适用于需要损失函数值与原始数据单位一致的场景。**平均绝对误差(MAE)**适用于对异常值敏感度要求低的场景。Huber损失适用于数据中存在少量异常值且需要综合处理大误差和小误差的场景。原创 2024-06-09 08:14:39 · 2097 阅读 · 0 评论 -
逻辑回归(LR)----机器学习
逻辑回归(LR)----机器学习原创 2024-01-03 17:14:01 · 1168 阅读 · 0 评论 -
Word2Vec(词向量)---机器学习
Word2Vec(词向量)---机器学习原创 2024-01-02 17:38:19 · 1112 阅读 · 0 评论 -
特征归一化及其原理--机器学习
特征归一化及其原理--机器学习原创 2023-12-29 10:11:13 · 945 阅读 · 0 评论 -
SVM(支持向量机)-机器学习
SVM(支持向量机)-机器学习原创 2023-12-29 09:29:10 · 1476 阅读 · 1 评论 -
机器学习-线性模型·
在实际应用中,特别是在深度学习等领域的崛起后,线性模型通常被更复杂的模型取代。,以最好地拟合训练数据,并对未见过的数据做出准确的预测。,可以通过权重的大小和符号解释特征对输出的影响。这使得在一些应用场景中,如金融和医疗领域,线性模型仍然是有用的。总体而言,线性模型是机器学习中一个重要的基础概念,理解线性模型有助于深入理解机器学习的核心原理。:模型中的权重和截距决定了特征对输出的影响程度。,模型的权重和截距可以被调整,以最小化损失函数。岭回归和Lasso回归是线性模型的变体,用于处理共线性和过拟合问题。原创 2023-11-25 14:44:44 · 554 阅读 · 3 评论