机器学习
冰糖柑
这个作者很懒,什么都没留下…
展开
-
机器学习:训练集和测试集
机器学习:训练集和测试集1 训练集和测试集的划分2 偏差和方差2.1 如何降低偏差2.2 如何降低方差1 训练集和测试集的划分训练集和测试集应该同分布如果两者的分布不同,将更多关注放到测试集,多选一些和预测的分布相同的测试集如果测试集效果不理想,先更新测试集,试着将测试集分出小部分重点关注集(eyeball dev set)来指导模型优化对于大数据而言,训练集相对测试集来说比例并不用很大(训练集2/3测试集1/3不适用)针对模型尽量选用多指标(准确率、召回率、F1-score)同时评价模型原创 2020-12-29 16:05:37 · 3116 阅读 · 0 评论 -
机器学习:集成算法
机器学习:集成算法1 集成算法概念1.1 集成算法使用规模1.2 集成算法分类1.3 集成算法特点2 bagging算法2.1 随机森林算法2.1.1 决策树之间的独立性2.1.2 bootstrap2.1.3 随机森林算法流程3 boosting算法3.1 Adaboost算法流程:3.2 Adaboost总结4 bagging和boosting的区别5 总结1 集成算法概念集成方法是将几种机器学习技术组合成一个预测模型元算法。把多个弱监督模型集合在一起,组成一个更全面的强监督模型。算法理念:取长补短原创 2020-12-28 18:17:57 · 817 阅读 · 0 评论 -
机器学习:推荐系统
机器学习:推荐系统1 推荐系统分类2 推荐算法分类3 协同过滤(Collaborating Filtering)3.1 User-based CF 基于用户的协同过滤3.1.1 用户偏好数据收集3.1.2 用户偏好如何整合3.1.3 用户向量与相似度计算3.2 Item-based CF 基于物品的协同过滤二级目录三级目录1 推荐系统分类基于应用领域基于设计思想基于使用数据电子商务推荐协同过滤用户行为数据社交好友推荐基于内容用户标签数据信息内容推荐基于知识社原创 2020-12-28 12:37:51 · 522 阅读 · 0 评论 -
机器学习:朴素贝叶斯
机器学习:朴素贝叶斯1 朴素贝叶斯应用场景2 朴素贝叶斯相关公式3 sklearn库中朴素贝叶斯运用3.1 伯努利朴素贝叶斯3.2 多项式朴素贝叶斯3.3 高斯朴素贝叶斯1 朴素贝叶斯应用场景最为广泛的两种分类模型是决策树模型(Decision Tree Model)和朴素贝叶斯模型(Naive Bayesian Model,NBM)。而常见朴素贝叶斯法是基于贝叶斯定理与特征条件独立假设的分类方法。朴素贝叶斯主要运用于文本分类,垃圾邮件分类,信用评估,钓鱼网站检测等领域。2 朴素贝叶斯相关公式条件原创 2020-12-27 17:28:21 · 1380 阅读 · 0 评论 -
机器学习知识体系
机器学习1 机器学习基本知识1.1 什么是机器学习1.2 机器学习中的数据类型1.3 常用概念1.4 机器学习中模型的分类1.5 sklearn算法库API总结1.6 sklearn中API的基本结构1.7 sklearn建模的基本流程1.8 sklearn的调参方法1.9 不平衡数据集2 算法介绍2.1 KNN2.2 K-means2.3 决策树2.3.1 基本术语2.3.2 不纯度的衡量指标2.3.3 分裂过程2.3.4 C4.52.3.5 CART树1 机器学习基本知识1.1 什么是机器学习机器原创 2020-12-25 22:16:41 · 256 阅读 · 0 评论