机器学习
RunRabbitRun
这个作者很懒,什么都没留下…
展开
-
机器学习-线性回归算法梳理
学习内容 机器学习的一些概念 有监督、无监督、泛化能力、过拟合欠拟合(方差和偏差以及各自解决办法)、交叉验证 线性回归的原理 线性回归损失函数、代价函数、目标函数 优化方法(梯度下降法、牛顿法、拟牛顿法等) 线性回归的评估指标 sklearn参数详解 1.基本概念 有监督:训练数据有标记信息,如分类和回归。 无监督:训练数据无标记信息,如聚类。 泛化能力(generalization abil...原创 2019-03-29 21:37:14 · 144 阅读 · 0 评论 -
机器学习-决策树算法梳理
学习任务: 信息论基础(熵 联合熵 条件熵 信息增益 基尼不纯度) 决策树的不同分类算法(ID3算法、C4.5、CART分类树)的原理及应用场景 回归树原理 决策树防止过拟合手段 模型评估 sklearn参数详解,Python绘制决策树 决策树的3个步骤:特征选择、决策树的生成、决策树的修剪 1、信息论基础 熵(entropy):表示随机变量不确定性的度量。熵越大,随机变量的不确定性就越大。 ...原创 2019-04-03 21:45:51 · 411 阅读 · 0 评论 -
机器学习-随机森林算法梳理
学习任务 集成学习概念 个体学习器概念 boosting bagging 结合策略(平均法,投票法,学习法) 随机森林思想 随机森林的推广 优缺点 sklearn参数 应用场景 1、集成学习概念 2、个体学习器概念 3、boosting bagging 4、结合策略(平均法,投票法,学习法) 5、随机森林思想 6、随机森林的推广 7、优缺点 8、sklearn参数 9、应用场景 ...原创 2019-04-04 20:31:00 · 796 阅读 · 0 评论 -
机器学习-逻辑回归算法梳理
学习任务 1、逻辑回归与线性回归的联系与区别 2、 逻辑回归的原理 3、逻辑回归损失函数推导及优化 4、 正则化与模型评估指标 5、逻辑回归的优缺点 6、样本不均衡问题解决办法 7、sklearn参数 1、逻辑回归与线性回归的联系与区别 逻辑回归是基于线性回归方法的扩展,是一种广义线性模型,link function为单调可微的对数几率函数。即用线性回归模型的预测结果去逼近真实标记y的对数几率(l...原创 2019-04-01 18:23:08 · 318 阅读 · 0 评论 -
机器学习-GBDT算法梳理
学习任务: 前向分布算法 负梯度拟合 损失函数 回归 二分类,多分类 正则化 优缺点 sklearn参数 应用场景 一、前向分布算法 二、负梯度拟合 三、损失函数 四、回归 五、二分类、多分类 六、正则化 七、优缺点 八、 sklearn参数 应用场景 ...原创 2019-04-07 20:38:17 · 510 阅读 · 0 评论 -
机器学习-XGB算法梳理
学习目标: 算法原理 损失函数 分裂结点算法 正则化 对缺失值处理 优缺点 应用场景 sklearn参数 1.算法原理 2.损失函数 3.分裂结点算法 4.正则化 5.对缺失值处理 6.优缺点 7.应用场景 8.sklearn参数 ...原创 2019-04-08 11:08:41 · 479 阅读 · 0 评论