机器学习
weixin_43576422
这个作者很懒,什么都没留下…
展开
-
特征工程——特征选择(Feature Selection),特征关联
特征选择是特征工程里的一个重要问题,其目标是寻找最优特征子集。特征选择能剔除不相关(irrelevant)或冗余(redundant )的特征,从而达到减少特征个数,提高模型精确度,减少运行时间的目的。另一方面,选取出真正相关的特征简化模型,协助理解数据产生的过程。可参考这篇文章:结合Scikit-learn介绍几种常用的特征选择方法常用方法分类Filter:过滤法,按照发散性或者相关性对各个特征进行评分,设定阈值或者待选择阈值的个数,选择特征。 (去掉取值变化小的特征 Removing原创 2020-08-09 20:01:51 · 4167 阅读 · 0 评论 -
深度学习需要的一些基本的数学基础解析
数学基础总结了深度学习中可能涉及的有关线性代数、微分和概率的基础知识。为避免赘述,本节中的少数定义稍有简化。1 线性代数下⾯分别概括了向量、矩阵、运算、范数、特征向量和特征值的概念。向量这里的向量指的是列向量。⼀个n维向量x的表达式可写成x=[x1x2...xn], x=\begin{bmatrix}x_1 \\ x_2 \\... \\x_n \end{bmatrix}, x=⎣⎢⎢⎡x1x2...xn⎦⎥⎥⎤,其中x1, . . . , xn是向量的元素。我们原创 2020-05-28 11:53:47 · 487 阅读 · 1 评论 -
拥抱人工智能--机器学习(附python代码)
拥抱机器学习文章来自于云栖社区目录拥抱机器学习 1机器学习算法:是使计算机具有智能的关键 下面我们将选取几种常见的算法,一一介绍。线性回归:找到一条直线来预测目标值逻辑回归:找到一条直线来分类数据K-近邻:用距离度量最相邻的分类标签朴素贝叶斯:选择后验概率最大的类为分类标签决策树:构造一棵熵值下降最快的分类树支持向量机(SVM):构造超平面,分类非线性数据K-means:计算质心,聚类无标签数据关联分析:挖掘啤酒与尿布(频繁项集)的关联规则PCA降维:减少数据维度,降低数据复杂原创 2020-05-15 19:59:51 · 1695 阅读 · 0 评论