机器学习
文章平均质量分 93
cpLoners
生活本来就很沉闷,但跑起来就有风了。
展开
-
机器学习之高斯过程
高斯过程(Gaussian Process)在机器学习领域里,高斯过程是一种假设训练数据来自无限空间、并且各特征都符合高斯分布的有监督建模方式。高斯过程是一种概率模型,无论是回归或者分类预测都以高斯分布标准差的方式给出预测置信区间估计。什么是置信区间?置信区间是指由样本统计量所构造的总体参数的估计区间。在统计学中,一个概率样本的置信区间(Confidence interval)是对这个样本的某个总体参数的区间估计。置信区间展现的是这个参数的真实值有一定概率落在测量结果的周围的程度。置信区间给出的是被测量参原创 2021-10-01 14:16:49 · 5966 阅读 · 2 评论 -
机器学习之近邻算法
并不哈哈原创 2021-09-25 18:05:31 · 1057 阅读 · 0 评论 -
深度学习基础——感知机
感知机感知机感知机的理解感知机的简单编程实现(python)感知机的局限性多层感知机感知机感知机是一种非常简单的算法(特别是对有一定基础的同学来说),感知机也是学习神经网络的基础,因此,感知机的构造是神经网络,深度学习的一种重要思想。感知机是由美国科学学者Frank Rosenblatt在1957年提出的。感知机的理解感知机的简单编程实现(python)感知机的局限性多层感知机...原创 2021-09-16 18:06:26 · 1209 阅读 · 1 评论 -
机器学习之K-means聚类分析
K-means聚类分析一级目录二级目录三级目录一级目录二级目录三级目录原创 2021-09-01 01:05:30 · 7164 阅读 · 0 评论 -
机器学习之决策树(实战)
决策树什么是决策树信息增益-熵,基尼指数建树策略实战树的可视化什么是决策树决策树是一种树形结构,其中每个内部节点表示一个属性上的判断,每个分支代表一个判断结果的输出,最后每个叶节点代表一种分类结果,类似于数据结构中的树。决策树是一个非常成熟的算法,最常用的三种决策树算法是ID3,C4.5,CART(Classification and Regression Tree)。这三种算法的区别是:ID3是利用信息增益来选择特征的。而C4.5,它是 ID3 的改进版,不是直接使用信息增益,而是引入“信息增益比”指原创 2021-08-15 13:38:43 · 1284 阅读 · 0 评论 -
机器学习之朴素贝叶斯分类
朴素贝叶斯分类贝叶斯定理和基础概率论朴素贝叶斯高斯朴素贝叶斯多项式朴素贝叶斯伯努利朴素贝叶斯几种朴素贝叶斯实战总结贝叶斯定理和基础概率论概率,其实在我们生活中十分常见,它是对未来事件发生可能性的表述,比如彩票的中奖率是多少?概率值通常用P来表示,古典概率的取值范围在0~1之间。P(A)=0就是表示事件A一定不会发生条件概率是用形如P(A|B)来表示,它的含义是:如果事件B已经发生,那么事件A发生的概率是多少联合概率是用形如P(AB),P(A,B),P(A⋂\bigcap⋂B)来表示的,它是用来描述原创 2021-08-12 10:38:58 · 1034 阅读 · 0 评论 -
机器学习之支持向量机(SVM)实战
支持向量机支持向量机(support vector machine),一般简称SVM,通俗来讲,它是一种二类分类模型,其基本模型定义为特征空间上的间隔最大的线性分类器,其学习策略便是间隔最 大化,最终可转化为一个凸二次规划问题的求解。最初SVM被用来解决线性分类问题,但自从90年代中加入了核方法后,它也可以有效解决非线性问题,其优点是能适应“小样本数量,高特征维度”的数据集,即使是特征维度数高于训练样本数据的情况。下面我们来了解几个SVM的概念:1超平面所谓的超平面在一维空间就是一个点,二维空间是一原创 2021-08-04 17:34:06 · 1805 阅读 · 0 评论 -
机器学习之线性回归——OLS,岭回归,Lasso回归
浅谈线性回归Gamma公式展示 Γ(n)=(n−1)!∀n∈N\Gamma(n) = (n-1)!\quad\foralln\in\mathbb NΓ(n)=(n−1)!∀n∈N 是通过 Euler integralΓ(z)=∫0∞tz−1e−tdt .\Gamma(z) = \int_0^\infty t^{z-1}e^{-t}dt\,.Γ(z)=∫0∞tz−1e−tdt.y = f(x1,x2,x3,xn)二级标题三级标题四级标题五级标题六级标题...原创 2021-07-31 10:31:32 · 8249 阅读 · 0 评论 -
机器学习实战:支持向量机回归预测财政收入
机器学习实战:支持向量机回归预测财政收入数据集说明数据集特征说明特征分析特征可视化导入数据可视化特征相关性检测绘制相关矩阵打印Pearson相关系数多变量研究Lasso特征选择模型进行特征提取alpha(正则项系数)的参数选择进行特征选取使用核函数进行预测数据预处理,拆分数据集,分成训练集和测试集进行预测绘制财政实际收入与预测收入的对比图进行简单预测模型评价MSE(均方误差)RMSE(均方根误差)MAE(平均绝对误差)R^2这是一个财政收入预测的一个实战,我们将会对做了基本处理的数据进行特征分析,然后选取原创 2021-07-11 13:55:41 · 10840 阅读 · 22 评论