机器学习之路15

最新推荐文章于 2024-09-30 13:17:10 发布
最新推荐文章于 2024-09-30 13:17:10 发布
阅读量52 收藏
点赞数
文章标签： 机器学习 聚类 算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/wgbzj/article/details/121140653
版权

无监督学习

没有目标值--->无监督学习。无监督学习的算法包括，PCA（降维）和 K-Means聚类算法。

 K-Means聚类算法：

算法的原理。

聚类效果图

算法的步骤：

 

API

 

K—means算法的模型评估

模型评估的API

代码：

 

 

 

 

 

 

 

天天学习学习
关注
李宏毅2020机器学习资料汇总
⚡
04-08 8万+
前言 可能受到新冠病毒的影响，台大也开始了网课教学。李宏毅上传了2020版本的机器学习视频，可以说是非常好的学习资料（尽管其中多数都是2017、2019的视频，但有部分更新）。 和吴恩达的CS229机器学习相比，中文版本的机器学习显得亲民了许多，李宏毅的机器学习是英文的ppt+中文讲解，非常有利于大家入门。吴恩达的CS229中偏向于传统机器学习……
机器学习之基础知识（全）
m0_58086930的博客
08-06 2万+
学习机器学习前必备知识体系，比较全面，该系列课程笔记会一直更新。本文包括机器学习里涉及到的基本概念，环境的安装，Matplotlib,numpy,pandas的讲解。
机器学习之KNN算法
qq_41511783的博客
05-19 1万+
机器学习之KNN算法 KNN概念 KNN（K-Nearest Neighbor）算法是机器学习算法中最基础、最简单的算法之一。它既能用于分类，也能用于回归。KNN通过测量不同特征值之间的距离来进行分类。 KNN算法的思想非常简单：对于任意n维输入向量，分别对应于特征空间中的一个点，输出为该特征向量所对应的类别标签或预测值。 KNN算法是一种非常特别的机器学习算法，因为它没有一般意义上的学习过程。它的工作原理是利用训练数据对特征向量空间进行划分，并将划分结果作为最终算法模型。存在一个样本数据集合，也称作训练样
机器学习期末考试
热门推荐
weixin_46294086的博客
06-05 4万+
机器学习期末考试 一、机器学习链接 1、机器学习期末复习试卷_zhouyan2000的博客-CSDN博客_机器学习期末考试} 2、[机器学习笔试题]((4条消息) 机器学习笔试题目_北冥有小鱼-CSDN博客_机器学习题目) 3、机器学习面试题 4、一天1个机器学习知识点（一）_猫猫玩机器学习的博客-CSDN博客 5、山东大学软件学院机器学习（考试）——期末考试回忆版_ALTLI的博客-CSDN博客_机器学习期末 6、机器学习试题_AI_盲的博客-CSDN博客_机器学习试卷 7、机器学习题 【含答案和解析】_
【机器学习】机器学习在教育领域的应用场景探索
科技改变人类，技术成就未来
05-02 2万+
机器学习在教育领域的应用场景探索
【总结】机器学习中的15种分类算法
wwcsd2018001的博客
12-05 1万+
分类算法也称为模式识别，是一种机器学习算法。常见的分类算法包括决策树、朴素贝叶斯、逻辑回归、K-最近邻、支持向量机等。本文介绍15种机器学习中的分类算法，并介绍相关的优缺点，在使用时可以根据优缺点选择合适的算法。
机器学习之主成分分析
小火球儿
10-24 2315
主成分分析（无监督降维） 降维技术： 特征选择：从一个特征的集合里面，挑选出相应的特征。是直接抽取 特征提取：不仅仅是提取了，而是通过组合或运算的方式，从现有的特征中抽象出新的特征。注意这个新特征并不属于原本的特征集合。是需要加工 特征选择会影响模型的效果 在实验数据分析模块，数据可视化等也需要维数约简，因为一般可以可视化的数据通常为二维或者三维 主成分分析就是把原有的多个指标转化为少数几个代表性较好的综合指标，这少数几个指标能够反映原来指标大部分信息（85%以上），并且各个指标之间保持独立，避免出现重
机器学习 之 填空题
此心安处
12-29 6417
点击查看答案1、一行数据我们称为一个 ___2、一列数据我们成为一个 ___3、按照数据集的目标值不同，可以把模型评估分为分类模型评估和4、模型评估用于评价训练好的的模型的表现效果，其表现效果大致可以分为两类：____和___5、模型学习的太过粗糙，连训练集中的样本数据特征关系都没有学出来，这种情况我们可以判断可能出现了___（过拟合/欠拟合）问题。6、所建的机器学习模型或者是深度学习模型在训练样本中表现得过于优越，导致在测试数据集中表现不佳，这种情况我们可以判断可能出现了_____（过拟合/欠拟合）问题
【机器学习】机器学习之数据清洗
朝花夕拾
11-14 2万+
在实验中探索数据清洗的重要性以及清洗过程中的一些关键步骤，理解数据清洗是一个必要的预处理过程，用来帮助从原始数据中去除不准确、不完整或不适用于模型的记录，以确保所使用的数据是准确、可靠且适合用于模型训练，也可以帮助发现和纠正数据中的错误、缺失和不一致之处，以提高数据的质量和准确性。
前 15 个 JavaScript 机器学习库
Meta.Qing的博客
08-29 1761
机器学习领域新技术的迅猛发展帮助软件开发人员以前所未有的方式构建新的人工智能应用程序。目前，大多数 AI 爱好者利用 Python 框架进行 AI 和机器学习开发。但环顾四周，人们可能还会发现基于 JavaScript 的框架也正在 AI 中实现。这个有趣的交叉点让我们探索和试验了一起使用 Javascript 和机器学习的奇怪可能性。从我们的研究中分享，这里有一些简洁的 JavaScript 机器学习库，它们将 Javascript、机器学习、DNN 甚至 NLP 结合在一起。看一看。......
国科大模式识别与机器学习15-19试卷.rar
02-27
国科大模式识别与机器学习15-19试卷
邹博机器学习PPT及代码
09-10
【邹博机器学习PPT及代码】集合涵盖了机器学习领域一系列关键知识点，是深入理解这一领域的重要资源。这个压缩包包含的文件主要分为理论讲解和实践应用两大类，旨在帮助学习者逐步掌握机器学习的基本原理和实际操作...
[Python从零到壹] 十二.机器学习之回归分析万字总结全网首发（线性回归、多项式回归、逻辑回归）
杨秀璋的专栏
07-03 4万+
前一篇文章讲述了数据分析部分，主要普及网络数据分析的基本概念，讲述数据分析流程和相关技术，同时详细讲解Python提供的若干第三方数据分析库，包括Numpy、Pandas、Matplotlib、Sklearn等。本文介绍回归模型的原理知识，包括线性回归、多项式回归和逻辑回归，并详细介绍Python Sklearn机器学习库的LinearRegression和LogisticRegression算法及回归分析实例。进入基础文章，希望对您有所帮助。
【15%】100小时机器学习——什么是机器学习
qq_24428851的博客
09-27 832
虽然已经好久没有更新了，但笔者最近一直都在努力学习哦。前面三三两两根据GitHub上的项目写了一些实验操作，但是总觉得这样是不行的。碎片化的学习只能是建立在已知的基础上进行熟练，不能作为打基础的主力方法，最关键的是，GitHub的这个项目听起来非常诱人，但是并不适合自己从头开始认真学习，其内容过于零散，于是从本节开始，决定不再拾人牙慧，进入自己的系统化的学习过程。第一讲就讲讲机器学习的概念图片引自博客园-王松伯（侵删）
线性方程组的迭代方法
jk_101的博客
09-28 815
数值线性代数最重要也是最常见的应用之一是可求解以 A*x = b 形式表示的线性方程组。当 A 为大型稀疏矩阵时，您可以使用迭代方法求解线性方程组，使用这一方法，您可在计算的运行时间与解的精度之间进行权衡。本主题介绍 MATLAB® 中可用于求解方程 A*x = b 的迭代方法。
Rasa：开源的机器学习框架
Indra_ran的博客
09-27 1012
一、Rasa简介 Rasa是一套用来构建基于上下文的AI小助手和聊天机器人框架。 分为两个主要的模块： NLU：自然语言理解模块，实现意图识别以及槽值的提取，将用户的输入转化为结构性数据，在训练过程中，为了提高从用户信息的实体识别能力，采用了预先训练的实体提取器Pre-trained Entity Extractors，正则表达式Regexes，同义词Synonyms等 Rasa Core：对话管理模块，也是一个平台，用来预测决定下一步做什么，其中对话数据包括了stories以及rules 其中设计对
特征工程——一门提高机器学习性能的艺术
最新发布
清图出版
09-30 369
你将学会清洗和转换数据，减轻偏见。通过“特征工程”技术，可优化训练数据，提升机器学习流程的输出效果！“特征工程”基于现有数据设计相关的输入变量，由此简化训练过程，增强模型性能。许多知名的 AI专家正在敦促数据科学家更关注以数据为中心的机器学习视角，而不是过于关注模型选择和超参数调整过程。当前围绕人工智能(AI)和机器学习(ML)展开的许多讨论以模型为中心，聚焦于 ML和深度学习(DL)的最新进展。类似MLOps的领域正迅速发展，通过系统性地训练和利用ML模型，尽量减少人为干预，以“释放”工程师的时间。
机器学习-KNN分类算法
qq_55882840的博客
09-26 1069
由于找到的结果中大多数是猫，则把这个新动物划分为猫类。如果k值太大，学习的近似误差会增大，导致分类模糊，即欠拟合。对图5.2中的动物进行分类，当k=3时，分类结果为“猫：狗=2：1”，所以属于猫；当k=5时，表决结果为“猫：狗：熊猫=2：3：1”，所以判断目标动物为狗。KNN分类算法的核心思想：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。分类结果的确定往往采用多数表决原则，即由输入实例的k个最邻近的训练实例中的多数类决定输入实例的类别。
机器学习-聚类
junxinsiwo的专栏
09-27 826
将数据划分到不同的类里，使相似的数据在同一类里，不相似的数据在不同的类里（物以类聚，人以群分）
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值