机器学习入门
Sherry_wang168
这个作者很懒,什么都没留下…
展开
-
机器学习入门课程(5) —— 结果评估
机器学习入门课程(4) —— 结果评估一、模型选择泛化误差:在测试集(未来样本)上的误差经验误差:在训练集上的误差二、性能评价指标——分类准确率(Accuracy): 指在分类中,分类正确的记录个数占总记录个数的比;平均准确率:每个类别下的准确率的算术平均;精确率:分类正确的正样本个数占分类器所有的正样本个数的比例;召回率(Recall):也叫查全率,是指在分类...原创 2020-03-13 19:39:40 · 213 阅读 · 0 评论 -
机器学习入门课程(4) —— 隐马尔可夫模型/ CRF条件随机场/ LDA主题模型 以及 生成模型V.s判别模型
机器学习入门课程(4) —— 隐马尔可夫模型/CRF条件随机场/LDA主题模型以及 生成模型 V.s. 判别模型一、 隐马尔可夫模型隐马尔可夫模型是一个关于时序的概率模型,描述由隐马尔科夫链随机生成观测序列的过程,属于生成模型。隐马尔科夫模型在语音识别、自然语言处理、生物信息等领域有着广泛的应用。马尔可夫模型的两个假设齐次马尔可夫假设:假设隐藏的马尔科夫链在任意时刻t的状态只依赖于...原创 2020-03-13 10:56:36 · 511 阅读 · 1 评论 -
机器学习入门课程(3)—— 回归问题和聚类问题
机器学习入门课程(3)—— 回归问题和聚类问题一. 回归问题回归问题用于预测输入变量和输出变量之间的关系,特别时当输入变量的值发生变化时,输出变量值随之发生变化。直观来说,回归问题等价于函数拟合,选择一条函数曲线使其很好的拟合已知数据且预测未知数据。回归问题分类自变量个数:一元/多元回归分析自变量与因变量关系:线性/非线性回归分析因变量个数:简单/多重回归分析线性回归 线性回...原创 2020-03-12 16:22:07 · 1015 阅读 · 0 评论 -
机器学习入门课程(2)—— 分类问题(决策树、贝叶斯、VSM、逻辑回归、集成学习)
分类问题分类问题是监督学习的一个核心问题,它从数据中学习一个分类决策函数或分类模型(分类器),对新的输入进行输出预测,输出变量取有限个离散值。包括二分类问题/多分类问题。算法:决策树、贝叶斯、支持向量机SVM、逻辑回归一 决策树决策树:树结构,每个非叶节点表示一个特征属性,每个分支边代表这个特征属性在某个值域上的输出,每个叶节点存放一个类别。决策过程:从根节点开始,测试待分类项中...原创 2020-03-11 12:26:08 · 1167 阅读 · 0 评论 -
机器学习入门课程(1)—— 相关概念
一 机器学习的分类有监督学习(supervised learning) :从给定的有标注的训练数据集中学习出一个函数(模型参数),当新的数据到来时可以根据这个函数预测结果。常见任务包括分类和回归。无监督学习(unsupervised learning):没有标注的训练数据集,需要根据样本间的统计规律对样本集进行分析,常见任务如聚类等。半监督学习(semi-supervised learni...原创 2020-03-11 12:24:02 · 208 阅读 · 0 评论