MLM
文章平均质量分 97
绝不原创的飞龙
这个作者很懒,什么都没留下…
展开
-
Machine Learning Mastery 深度学习表现教程(十)
在这篇文章中,你发现了训练神经网络作为优化问题的挑战。训练神经网络包括使用优化算法来找到一组权重,以最佳地将输入映射到输出。这个问题很难,尤其是因为误差面是非凸的,包含局部极小值、平点,并且是高度多维的。随机梯度下降算法是解决这一挑战性问题的最佳通用算法。你有什么问题吗?在下面的评论中提问,我会尽力回答。原创 2024-09-17 00:31:48 · 369 阅读 · 0 评论 -
Machine Learning Mastery 深度学习表现教程(一)
原文:Machine Learning Mastery协议:CC BY-NC-SA 4.0训练深度学习神经网络模型的挑战的温和介绍原文:https://machinelearningmastery.com/a-gentle-introduction-to-the-challenge-of-training-deep-learning-neural-network-models/最后更新于 2021 年 1 月 18 日深度学习神经网络学习从输入到输出的映射函数。这是通过更新网络的权重来实原创 2024-09-17 00:27:37 · 538 阅读 · 0 评论 -
Machine Learning Mastery 深度学习时间序列教程(十七)
本教程分为 4 个部分。洗发水销售数据集实验测试线束时间步骤的实验时间步和神经元的实验在本教程中,您了解了如何使用滞后观察作为 LSTM 网络中的输入时间步骤进行调查。如何开发一个强大的测试工具来尝试使用 LSTM 进行输入表示。如何使用滞后观测值作为 LSTM 时间序列预测的输入时间步长。如何随着时间步长的增加提高网络的学习能力。您发现使用滞后观察作为输入时间步长的期望并未降低所选问题和 LSTM 配置的测试 RMSE。你有任何问题吗?原创 2024-09-17 00:23:32 · 467 阅读 · 0 评论 -
Machine Learning Mastery 深度学习 NLP 教程(八)
本教程分为 3 个部分;单词嵌入Keras 嵌入层学习嵌入的示例使用预训练 GloVe 嵌入的示例在本教程中,您了解了如何使用词嵌入在 Python 中使用 Keras 进行深度学习。关于字嵌入和 Keras 通过嵌入层支持字嵌入。如何在拟合神经网络时学习单词嵌入。如何在神经网络中使用预先训练的单词嵌入。你有任何问题吗?在下面的评论中提出您的问题,我会尽力回答。原文: machinelearningmastery.com/what-are-word-embeddings/原创 2024-09-17 00:16:48 · 644 阅读 · 0 评论 -
Machine Learning Mastery 深度学习 NLP 教程(五)
原文:Machine Learning Mastery协议:CC BY-NC-SA 4.0如何使用 Python 和 Gensim 开发词嵌入原文: machinelearningmastery.com/develop-word-embeddings-python-gensim/词嵌入是一种在自然语言处理中表示文本的现代方法。嵌入算法如 word2vec 和 GloVe 是神经网络模型在机器翻译等自然语言处理问题上获得的最先进结果的关键。在本教程中,您将了解如何使用 Gensim 在 P原创 2024-09-17 00:16:18 · 493 阅读 · 0 评论 -
Machine Learning Mastery 概率教程(五)
最后更新于 2020 年 7 月 13 日信息论是数学的一个分支,研究在有噪声的信道上传输数据。信息论的一个基石是量化信息中有多少信息的想法。更一般地说,这可以用来量化事件和随机变量中的信息,称为熵,并使用概率进行计算。计算信息和熵是机器学习中的一个有用工具,被用作特征选择、建立决策树以及更一般地拟合分类模型等技术的基础。因此,机器学习实践者需要对信息和熵有很强的理解和直觉。在这篇文章中,你会发现一个关于信息熵的温和介绍。信息论关注数据压缩和传输,建立在概率的基础上,支持机器学习。原创 2024-09-17 00:10:12 · 342 阅读 · 0 评论 -
Machine Learning Mastery 机器学习算法教程(二)
原文:Machine Learning Mastery协议:CC BY-NC-SA 4.0在实现机器学习算法时,不要从开源代码开始原文: machinelearningmastery.com/dont-start-with-open-source-code-when-implementing-machine-learning-algorithms/Edward Raff 是 Java 机器学习库的作者,名为 JSAT (Java 统计分析工具的首字母缩写)。Edward 在创建这个库时实现原创 2024-09-17 00:06:34 · 733 阅读 · 0 评论 -
Machine Learning Mastery 机器学习算法教程(七)
kNN 的模型是整个训练数据集。当对于看不见的数据实例需要预测时,kNN 算法将在训练数据集中搜索 k 个最相似的实例。总结了最相似实例的预测属性,并将其作为未见实例的预测返回。相似性度量取决于数据类型。对于实值数据,可以使用欧几里德距离。可以使用其他类型的数据,例如分类或二进制数据,汉明距离。在回归问题的情况下,可以返回预测属性的平均值。在分类的情况下,可以返回最普遍的类别。原创 2024-09-17 00:05:33 · 776 阅读 · 0 评论 -
Machine Learning Mastery 机器学习算法教程(一)
我希望你发现这次旅行很有用。如果您对如何改进算法之旅有任何疑问或想法,请发表评论。更新#1:继续关于 HackerNews 和reddit的讨论。更新#2:我添加了更多资源和更多算法。我还添加了一个方便的思维导图,您可以下载(见上文)。在这篇文章中,您发现了 Bagging 集合机器学习算法和称为随机森林的流行变体。如何从数据样本中估算统计量。如何使用装袋来组合来自多个高方差模型的预测。如何在装袋时调整决策树的构造以使其预测脱相关,这种技术称为随机森林。原创 2024-09-17 00:05:02 · 1040 阅读 · 0 评论 -
Machine Learning Mastery 时间序列入门教程(二)
原文:Machine Learning Mastery协议:CC BY-NC-SA 4.0如何将时间序列数据分解为趋势和季节性原文: machinelearningmastery.com/decompose-time-series-data-trend-seasonality/时间序列分解涉及将一系列视为水平,趋势,季节性和噪声分量的组合。分解提供了一个有用的抽象模型,用于一般地考虑时间序列,以及更好地理解时间序列分析和预测中的问题。在本教程中,您将发现时间序列分解以及如何使用 Pyth原创 2024-09-16 12:46:01 · 1188 阅读 · 0 评论 -
Machine Learning Mastery 时间序列入门教程(三)
在这篇文章中,您了解了如何使用 Pandas Python 库加载和处理时间序列数据。如何将您的时间序列数据加载为 Pandas 系列。如何查看和计算时间序列数据的摘要统计量。如何绘制时间序列数据。您对在 Python 中处理时间序列数据有任何疑问,或者关于这篇文章?在下面的评论中提出您的问题,我会尽力回答。在本教程中,您了解了如何使用 Python 对 ARIMA 模型进行手动预测。如何对 AR 模型进行手动预测。如何对 MA 模型进行手动预测。原创 2024-09-16 12:45:31 · 956 阅读 · 0 评论 -
Machine Learning Mastery 时间序列入门教程(七)
在本教程中,您了解了如何使用 Python 计算和解释时间序列预测的置信区间。如何在进行点预测时报告预测诊断统计量。如何解释和配置时间序列预测的置信区间。如何在最近观察的背景下绘制预测和置信区间。您对预测置信区间或本教程有任何疑问吗?在下面的评论中提出您的问题,我会尽力回答。在这篇文章中,您发现了一套经典的时间序列预测方法,您可以测试和调整时间序列数据集。我错过了您最喜欢的古典时间序列预测方法吗?请在下面的评论中告诉我。您是否在数据集上尝试了这些方法?请在评论中告诉我你的发现。原创 2024-09-16 12:45:00 · 1103 阅读 · 0 评论 -
Machine Learning Mastery 时间序列入门教程(一)
原文:Machine Learning Mastery协议:CC BY-NC-SA 4.0如何在 Python 中为时间序列预测创建 ARIMA 模型原文: machinelearningmastery.com/arima-for-time-series-forecasting-with-python/ARIMA 模型是一种流行且广泛使用的时间序列预测统计方法。ARIMA 是 AutoRegressive Integrated Moving Average 的缩写。它是一类模型,它捕获时间原创 2024-09-16 12:44:30 · 1144 阅读 · 0 评论 -
Machine Learning Mastery 数据科学教程(四)
本文分为三个部分,它们是:数据优先方法数据为基础,通过视觉展现从模式到证据:在艾姆斯住房市场中的假设检验客户细分将客户划分为不同的组。这些组基于相似的特征或行为。主要目标是更好地理解每个组。这有助于企业制定适合每个组特定需求的营销策略和产品。人口统计学细分:基于年龄、性别和职业等因素。心理图像细分:关注客户的生活方式和兴趣。行为细分:分析客户的行为,如品牌忠诚度和使用频率。地理细分:根据客户的地理位置进行划分。个性化营销:企业可以向每个客户组发送特定的信息。改善客户留存。原创 2024-09-16 12:43:58 · 525 阅读 · 0 评论 -
Machine Learning Mastery 数据科学教程(二)
本文分为三部分:数据字典的重要性识别分类变量和数值变量缺失数据填补数据字典的重要性分析 Ames Housing 数据集的一个关键第一步是利用其数据字典。这个版本不仅列出了特征和定义,还将其分类为名义型顺序型离散型和连续型,以指导我们的分析方法。名义型变量是没有顺序的类别,如“邻里”。它们有助于识别用于分组分析的细分领域。顺序型变量具有明确的顺序(例如“厨房质量”)。它们允许进行排序和基于顺序的分析,但不意味着类别之间的间距相等。离散型变量是可计数的数字,如“卧室”。原创 2024-09-16 12:43:28 · 1186 阅读 · 0 评论 -
Machine Learning Mastery 数据科学教程(三)
本文分为三个部分;它们是:使用单一数值特征解释线性模型中的系数使用单一类别特征解释线性模型中的系数数值特征和类别特征的组合讨论本文分为三个部分,它们是:EDA:可视化洞察使用 ANOVA 评估不同年份的销售价格变异性Kruskal-Wallis 检验:ANOVA 的非参数替代方法在房地产的多维世界中,包括销售年份在内的多个因素可能会影响房产价格。美国住房市场在 2007 年至 2009 年大萧条期间经历了相当大的动荡。原创 2024-09-16 12:42:57 · 1161 阅读 · 0 评论 -
Machine Learning Mastery 数据科学教程(一)
原文:Machine Learning Mastery协议:CC BY-NC-SA 4.0偏度去无踪:数据科学家的转换技巧machinelearningmastery.com/skewness-be-gone-transformative-tricks-for-data-scientists/数据转换使数据科学家能够将原始数据精炼、标准化,以适合分析的格式。这些转换不仅仅是程序步骤;它们对于减少偏差、处理偏斜分布和增强统计模型的稳健性至关重要。本章将主要关注如何解决偏斜数据。通过关注 Ame原创 2024-09-16 12:42:26 · 1606 阅读 · 0 评论 -
Machine Learning Mastery 数据准备教程(四)
本教程分为四个部分;糖尿病数值数据集数字特征选择方差分析 f 检验特征选择互信息特征选择使用选定特征建模使用所有功能构建的模型使用方差分析 f 检验特征建立的模型利用互信息特征建立的模型调整选定特征的数量在本教程中,您发现了如何使用用于分类的数字输入数据执行要素选择。具有数值输入和二分类目标变量的糖尿病预测建模问题。如何使用方差分析 f-检验和互信息统计评估数字特征的重要性。在拟合和评估分类模型时,如何对数值数据进行特征选择。你有什么问题吗?原创 2024-09-16 12:41:54 · 804 阅读 · 0 评论 -
Machine Learning Mastery 数据准备教程(六)
原文:Machine Learning Mastery协议:CC BY-NC-SA 4.0类别数据的顺序编码和单热编码原文:https://machinelearningmastery.com/one-hot-encoding-for-categorical-data/最后更新于 2020 年 8 月 17 日机器学习模型要求所有的输入和输出变量都是数字。这意味着,如果您的数据包含类别数据,您必须将其编码为数字,然后才能拟合和评估模型。两种最流行的技术是顺序编码和单热编码。在本教程中原创 2024-09-16 12:41:23 · 1022 阅读 · 0 评论 -
Machine Learning Mastery 数据准备教程(八)
本教程分为三个部分;统计插补马结肠数据集用简单估计器进行统计估计simpleinputer 数据转换简单输入器和模型评估比较不同的估计统计进行预测时的 simpleinputer 转换在本教程中,您发现了如何在机器学习中对缺失数据使用统计插补策略。缺少的值必须用 NaN 值标记,并且可以用统计度量值替换以计算值列。如何加载缺失值的 CSV 值并用 NaN 值标记缺失值,并报告每列缺失值的数量和百分比。原创 2024-09-16 12:40:51 · 582 阅读 · 0 评论 -
Machine Learning Mastery 数据准备教程(五)
原文:Machine Learning Mastery协议:CC BY-NC-SA 4.0如何在 Sklearn 中保存和重用数据准备对象原文:https://machinelearningmastery.com/how-to-save-and-load-models-and-data-preparation-in-Sklearn-for-later-use/最后更新于 2020 年 6 月 30 日将来,在训练数据集上执行的任何数据准备都必须在新的数据集上执行,这一点至关重要。这可能包原创 2024-09-16 12:40:20 · 917 阅读 · 0 评论 -
Machine Learning Mastery 数据准备教程(二)
原文:Machine Learning Mastery协议:CC BY-NC-SA 4.0如何将列转换器用于数据准备原文:https://machinelearningmastery.com/columntransformer-for-numerical-and-categorical-data/最后更新于 2020 年 12 月 31 日在拟合机器学习模型之前,您必须使用数据转换来准备原始数据。这是确保您最好地将预测建模问题的结构暴露给学习算法所必需的。当所有输入变量都是相同类型时,原创 2024-09-16 12:39:49 · 1282 阅读 · 0 评论 -
Machine Learning Mastery 数据准备教程(三)
最后更新于 2020 年 6 月 30 日数据集的输入变量或特征的数量称为其维数。降维是指减少数据集中输入变量数量的技术。更多的输入特征通常会使预测建模任务更具挑战性,更一般地说,这被称为维数灾难。高维统计和降维技术常用于数据可视化。然而,这些技术可以用于应用机器学习,以简化分类或回归数据集,从而更好地拟合预测模型。在这篇文章中,你会发现一个关于机器学习降维的温和介绍大量的输入特征会导致机器学习算法表现不佳。降维是与减少输入特征的数量有关的一般研究领域。原创 2024-09-16 12:39:17 · 1215 阅读 · 0 评论 -
Machine Learning Mastery 数据准备教程(七)
本教程分为三个部分;递归特征消除RFE 与科学知识——学习RFE 分类协会回归的 RFERFE 超参数探索功能数量自动选择特征数量选择了哪些功能探索基础算法在本教程中,您发现了如何在 Python 中使用递归特征消除(RFE)进行特征选择。RFE 是一种从训练数据集中消除特征以进行特征选择的有效方法。如何使用 RFE 进行分类和回归预测建模问题的特征选择。如何探索 RFE 程序使用的选定特征和包装算法的数量。你有什么问题吗?在下面的评论中提问,我会尽力回答。原创 2024-09-16 12:38:47 · 706 阅读 · 0 评论 -
Machine Learning Mastery 数据准备教程(一)
本教程分为七个部分;杂乱的数据集标识包含单个值的列删除包含单个值的列考虑值很少的列删除差异较小的列识别包含重复数据的行删除包含重复数据的行在本教程中,您发现了应该始终对数据集执行的基本数据清理。如何识别和移除只有一个值的列变量?如何识别和考虑唯一值很少的列变量?如何识别和删除包含重复观察的行?你有什么问题吗?在下面的评论中提问,我会尽力回答。本教程分为三个部分;马结肠数据集的输入带有缺失值二元标志的模型带有所有缺失值指示器的模型。原创 2024-09-16 12:38:16 · 985 阅读 · 0 评论 -
Machine Learning Mastery 微积分教程(四)
原文:machinelearningmastery.com/what-is-calculus/微积分是研究变化的数学。微积分在解决复杂但连续问题上的有效性在于它能够将问题切分成无限简单的部分,分别解决这些部分,然后再将它们重建成原来的整体。这一策略可以应用于研究所有可以这样切分的连续元素,无论是几何形状的曲率,还是飞行物体的轨迹,或时间间隔。在本教程中,你将发现微积分的起源及其应用。完成本教程后,你将知道:什么是微积分?微积分如何应用于现实世界?让我们开始吧。什么是微积分?,保留部分权利。原创 2024-09-16 12:37:45 · 832 阅读 · 0 评论 -
Machine Learning Mastery 微积分教程(二)
原文:Machine Learning Mastery协议:CC BY-NC-SA 4.0斜率和切线的温和介绍原文:machinelearningmastery.com/a-gentle-introduction-to-slopes-and-tangents/直线的斜率及其与曲线切线的关系是微积分中的一个基本概念。它对于函数导数的一般理解非常重要。在本教程中,你将了解什么是直线的斜率以及什么是曲线的切线。完成本教程后,你将了解:直线的斜率关于 x 的 f(x)在区间上的平均变原创 2024-09-16 12:37:14 · 1234 阅读 · 0 评论 -
Machine Learning Mastery 微积分教程(三)
原文:Machine Learning Mastery协议:CC BY-NC-SA 4.0微积分的应用:神经网络原文:machinelearningmastery.com/calculus-in-action-neural-networks/人工神经网络是一个计算模型,用于逼近输入和输出之间的映射。它的灵感来自于人脑的结构,因为它类似地由一个互联的神经元网络组成,这些神经元在接收到来自邻近神经元的一组刺激后传播信息。训练神经网络涉及一个过程,该过程同时使用反向传播和梯度下降算法。正如我们原创 2024-09-16 12:36:43 · 1329 阅读 · 0 评论 -
Machine Learning Mastery 微积分教程(一)
本教程分为两部分;它们是:SVM 问题在正负样本不可线性分离的情况下的解决方案分离超平面及其对应的放松约束寻找软间隔的二次优化问题一个实例在本教程中,你了解了使用拉格朗日乘子法找到 SVM 分类器中软间隔的方法。具体来说,你学到了:如何为不可分情况制定优化问题。如何使用拉格朗日乘子法找到超平面和软间隔。如何找到非常简单问题的分隔超平面方程。对于这篇文章中讨论的 SVM,你有任何问题吗?请在下方评论中提出你的问题,我会尽力回答。原创 2024-09-16 12:36:12 · 977 阅读 · 0 评论 -
Machine Learning Mastery 应用机器学习教程(四)
在这篇文章中,您发现了模型表现不匹配问题,其中模型表现在训练和测试集之间差别很大,以及诊断和解决问题的技术。评估机器学习算法时可能出现的模型表现不匹配问题。过拟合,代表性不足的数据样本和随机算法的原因。如何加强你的测试设备,以避免问题。你有任何问题吗?在下面的评论中提出您的问题,我会尽力回答。最终机器学习模型是用于对新数据做出预测的模型。也就是说,给定输入数据的新示例,您希望使用该模型来预测预期输出。这可以是分类(分配标签)或回归(实际值)。原创 2024-09-16 12:35:36 · 1187 阅读 · 0 评论 -
Machine Learning Mastery 应用机器学习教程(二)
本教程分为 4 个部分;什么是专家的验证数据集?训练,验证和测试数据集的定义验证数据集不够用验证和测试数据集消失我发现确切地看到从业者和专家如何描述数据集很有用。在本节中,我们将根据一些顶级机器学习文本和参考资料,查看训练,测试和验证数据集的定义方式以及它们的区别。通常,术语“_ 验证集”可与术语“测试集 _”互换使用,并且是指从训练模型中阻止的数据集的样本。对训练数据集的模型技能的评估将导致偏差得分。因此,在保留的样本上评估模型,以给出模型技能的无偏估计。原创 2024-09-16 12:35:04 · 1929 阅读 · 0 评论 -
Machine Learning Mastery 应用机器学习教程(三)
在这篇文章中,您了解到在交付结果之前,项目不会被视为完成。结果可能会呈现给您自己或您的客户,并且在呈现结果时需要遵循最低结构。在生产环境中使用学习模型时,您还学习了三个问题,特别是算法实现的性质,模型测试和正在进行的跟踪。在这篇文章中,你发现了 Hilary Mason 和 Chris Wiggins 提出的 OSEMN。OSEMN 代表 Obtain,Scrub,Explore,Model 和 iNterpret。与数据库中的知识发现和应用的机器学习过程类似,您可以使用此过程来解决机器学习问题。原创 2024-09-16 12:34:33 · 2188 阅读 · 0 评论 -
Machine Learning Mastery 应用机器学习教程(一)
在这篇文章中,您发现了机器学习竞赛的五大好处。它们是:精英管理,榜样,推动极限,创新和社区。这在机器学习方面并不新鲜,与学术会议合作已有近 20 年的竞争。新的是参与规模和进入门槛低。无论您的背景如何,这都是进入应用机器学习的激动人心的机会主义时刻。考虑到像Sklearn和Keras这样易于使用的机器学习库,在给定的预测建模数据集上拟合许多不同的机器学习模型是很简单的。因此,应用机器学习的挑战就变成了如何在一系列不同的模型中进行选择,以解决你的问题。原创 2024-09-16 12:34:03 · 2531 阅读 · 0 评论 -
Machine Learning Mastery 优化教程(四)
本教程分为三个部分;梯度下降Adadelta 算法Adadelta 梯度下降二维测试问题带自适应增量的梯度下降优化阿达塔的可视化在本教程中,您发现了如何从零开始使用 Adadelta 优化算法开发梯度下降。梯度下降是一种优化算法,它使用目标函数的梯度来导航搜索空间。梯度下降可以更新,以使用一个衰减的偏导数平均值(称为 Adadelta)为每个输入变量使用自动自适应步长。如何从零开始实现 Adadelta 优化算法,并将其应用于目标函数并评估结果。你有什么问题吗?原创 2024-09-16 12:33:32 · 716 阅读 · 0 评论 -
Machine Learning Mastery 优化教程(六)
本教程分为三个部分;局部优化全局优化局部优化与全局优化在本教程中,您发现了局部优化和全局优化之间的实际差异。局部优化包括为搜索空间的特定区域寻找最优解,或者为没有局部最优解的问题寻找全局最优解。全局优化包括寻找包含局部最优解的问题的最优解。如何以及何时使用局部和全局搜索算法,以及如何同时使用这两种方法。你有什么问题吗?在下面的评论中提问,我会尽力回答。本教程分为三个部分;手动超参数优化感知器超参数优化超参数优化在本教程中,您发现了如何手动优化机器学习算法的超参数。原创 2024-09-16 12:33:01 · 954 阅读 · 0 评论 -
Machine Learning Mastery 优化教程(八)
原文:Machine Learning Mastery协议:CC BY-NC-SA 4.0Python 中从零开始的随机爬山原文:https://machinelearningmastery.com/stochastic-hill-climbing-in-python-from-scratch/最后更新于 2021 年 10 月 12 日随机爬山是一种优化算法。它利用随机性作为搜索过程的一部分。这使得该算法适用于其他局部搜索算法运行不佳的非线性目标函数。它也是一种局部搜索算法,这意味着原创 2024-09-16 12:32:31 · 1046 阅读 · 0 评论 -
Machine Learning Mastery 优化教程(五)
原文:Machine Learning Mastery协议:CC BY-NC-SA 4.0从零开始的 RMSProp 梯度下降原文:https://machinelearningmastery.com/gradient-descent-with-rmsprop-from-scratch/最后更新于 2021 年 10 月 12 日梯度下降是一种优化算法,它遵循目标函数的负梯度来定位函数的最小值。梯度下降的一个限制是,它对每个输入变量使用相同的步长(学习率)。简而言之,AdaGrad 是梯原创 2024-09-16 12:32:00 · 856 阅读 · 0 评论 -
Machine Learning Mastery 优化教程(二)
在这篇文章中,你发现了关于优化算法的书籍,这些书籍有助于了解应用机器学习。是不是错过了一本关于优化的好书?在下面的评论里告诉我。你读过列出的书吗?在评论中告诉我你对它的看法。本教程分为三个部分;曲线拟合曲线拟合曲线拟合实例在本教程中,您发现了如何在 Python 中执行曲线拟合。曲线拟合包括找到将输入示例映射到输出的函数的最佳参数。与监督学习不同,曲线拟合要求您定义将输入示例映射到输出的函数。如何在 SciPy 中使用曲线拟合将一系列不同的曲线拟合到一组观测值。你有什么问题吗?原创 2024-09-16 12:31:29 · 1031 阅读 · 0 评论 -
Machine Learning Mastery 优化教程(三)
原文:Machine Learning Mastery协议:CC BY-NC-SA 4.0使用 SciPy 的函数优化原文:https://machinelearningmastery.com/function-optimization-with-scipy/最后更新于 2021 年 10 月 12 日优化包括找到目标函数的输入,从而得到函数的最小或最大输出。用于科学计算的开源 Python 库 SciPy 提供了一套优化算法。许多算法被用作其他算法的构件,最著名的是 Sklearn 库原创 2024-09-16 12:30:56 · 853 阅读 · 0 评论 -
Machine Learning Mastery 优化教程(七)
本教程分为三个部分;优化回归模型优化线性回归模型优化逻辑回归模型在本教程中,您发现了如何手动优化回归模型的系数。如何从零开始开发回归的推理模型?如何优化预测数值的线性回归模型的系数?如何用随机爬山法优化逻辑回归模型的系数?你有什么问题吗?在下面的评论中提问,我会尽力回答。最后更新于 2021 年 10 月 12 日收敛指的是过程的极限,在评估优化算法的预期表现时,它可能是一个有用的分析工具。原创 2024-09-16 12:30:23 · 747 阅读 · 0 评论