机器学习

最新推荐文章于 2023-04-24 11:02:47 发布
最新推荐文章于 2023-04-24 11:02:47 发布
阅读量186 收藏
点赞数
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/xxs8457800/article/details/106084959
版权
  1. 逻辑回归和线性回归对比有什么优点
  2. 逻辑回归可以处理非线性问题吗
  3. 分类问题有哪些评价指标，每种的使用场景
  4. 讲一下正则化，L1和L2正则化各自的特点
  5. 讲一下常用的损失函数以及各自的适用场景
  6. 讲一下决策树和随机森林
  7. 讲一下GBDT的细节，写出GBDT的目标函数
  8. GBDT和Adaboost的区别和联系
  9. 手推softmax loss公式
  10. 讲一下SVM，SVM和LR有什么联系
  11. 讲一下PCA的步骤，PCA和SVD的区别和联系
  12. 讲一下ensemble
  13. 偏差和方差的区别，ensemble的方法中哪些是降低偏差，哪些是降低方差
酸辣土豆
关注
机器学习实战——疫情数据分析与预测
Hello大家好，我是Dream，如果帮得到你，那我深感荣幸！交流学习、商务合作：https://bbs.csdn.net/topics/614347534
07-27 9万+
机器学习如何做到疫情可视化——疫情数据分析与预测实战 本文将带领大家爬取11个国家以及中国31个省（自治区、直辖市）在2022.0101-2022.06.19的新冠疫情数据。并且采用机器学习模型对2022.6.20-2022.6.30每一天的全国确诊人数、死亡人数、治愈人数进行预测，**做出疫情可视化图形并且求出最终的相关系数R2！...
keras 预训练模型finetune,多模型ensemble，修改loss函数，调节学习率
YuMingJing_的博客
12-11 3627
keras 预训练模型finetune,多模型ensemble，修改loss函数，调节学习率加载预训练模型并finetune修改loss函数两个网络做ensemble，进行网络训练，调节learning rate 加载预训练模型并finetune 这里使用的是keras库里的MobileNet模型，预训练权重也是官方自带的，最终finetune为自己需要的分类 from keras.layers ...
合奏：机器学习中唯一（几乎）免费的午餐
weixin_26752765的博客
09-06 532
弦乐合奏音源A notebook accompanying this post can be found here. 随此帖子附带的笔记本可以在这里找到。 I am grateful to Tetyana Drobot and Igor Pozdeev for their comments and suggestions. 我感谢 Tetyana Drobot 和 Igor Pozdeev 的意...
Unpaired Image Super-Resolution using Pseudo-Supervision
sinat_34546154的博客
01-17 697
文章目录MotivationRelated WorkProposed Method Motivation 在SR中，很多训练数据是通过已经决定好的下采样方法获得的（例如双三次），但是这样构造的数据集并不适用于真实世界的超分。 因此，很多新方法被提出，例如：通过非成对的生成对抗网络 学习LR和HR之间的映射关系。 非成对的生成对抗网络可以分为两种： Direct approach： 过程：将源域LR图片输入生成器中，上采样获得HR图片；目标域HR图片输入鉴别器，与生成器G中上采样获得的HR图片做对抗；使生成
集成学习（Ensembles）
nine_mink的博客
04-24 1805
本文将基于UoA的课件介绍机器学习中的集成学习。涉及的英语比较基础，所以为节省时间（不是full-time，还有其他三门课程，所以时间还是比较紧的），只在我以为需要解释的地方进行解释。此文不用于任何商业用途，仅仅是个人学习过程笔记以及心得体会，侵必删。AdaBoost算法的训练过程会不断增加那些被之前的分类器错分的样本的权重，这样最后一些分类器就会更关注那些难以分类的样本，从而提高整个模型的泛化能力。
分类模型：类别不均衡问题之loss设计
Paper weekly
12-08 901
©作者 | Qun前言数据类别不均衡是很多场景任务下会遇到的一种问题。比如 NLP 中的命名实体识别 NER，文本中许多都是某一种或者几种类型的实体，比如无需识别的不重要实体；又或者常见的分类任务，大部分数据的标签都是某几类。而我们又无法直接排除这些很少的类别的数据，因为这些类别也很重要，仍然需要模型去预测这些类别。数据采样有时会从数据层面缓解这种类别不均衡带来的影响，主要是过采样和欠采样。过采样...
ICASSP 2019----Ensemble Additive Margin Softmax for Speaker Verification
Grace_yan的博客
06-20 578
Ya-Qi Yu; Nanjing University Lei Fan; Nanjing University Wu-Jun Li; Nanjing University https://ieeexplore.ieee.org/document/8683649 Ensemble Additive Margin Softmax for Speaker Verification 用于说话人验证的集成...
机器学习考试题目及答案1
08-08
机器学习是一种人工智能领域的核心方法，它允许计算机程序通过经验学习并改进其性能。根据Tom Mitchell的定义，机器学习涉及的任务T、性能度量P和经验E，其中程序在任务上的性能随着经验的增加而提高。在实际应用中...
机器学习期末复习题.pdf
01-06
机器学习期末复习题库 机器学习是人工智能领域中的一门重要学科，涉及到各种算法和技术，以下是机器学习期末复习题库的详细解析： 监督学习和无监督学习 监督学习是指在有标签的数据集上训练模型，以便在未来的...
机器学习南瓜书.pdf
04-15
南瓜书旨在对西瓜书里比较难理解的公式加以解析
2022-吴恩达机器学习课程(原始讲义)高清完整版PPTpdf
最新发布
05-08
2022_吴恩达机器学习课程(原始讲义)高清完整版PPTpdf 包含对应课程所有PPT 仅供大家学习使用，请勿用作商业目的
机器学习--集成学习（Ensemble Learning）
披风秃头侠的博客
02-18 1万+
一、集成学习法 在机器学习的有监督学习算法中，我们的目标是学习出一个稳定的且在各个方面表现都较好的模型，但实际情况往往不这么理想，有时我们只能得到多个有偏好的模型（弱监督模型，在某些方面表现的比较好）。集成学习就是组合这里的多个弱监督模型以期得到一个更好更全面的强监督模型，集成学习潜在的思想是即便某一个弱分类器得到了错误的预测，其他的弱分类器也可以将错误纠正回来。 集成方法是将几种机器学习技术...
机器学习-集成学习(ensemble learning)
MsSpark的博客
11-22 3765
集成学习ensemble learning：本身不是一个单独的机器学习算法，而是通过构建并结合多个机器学习器来完成学习任务。 可以用两句话形容： 1、“三个臭皮匠顶个诸葛亮”：一堆弱分类器的组合可以成为一个强分类器； 2、“知错能改，善莫大焉”：不断在错误中学习，迭代来降低放错概率。 一、集成学习概述 训练若干个个体学习器（弱学习器） 弱学习器可以是同质或异质的： 同质：boosting系列算...
集成学习(Ensemble)算法介绍
haoran_yang的博客
10-25 2625
Ensemble Model Bagging和Boosting都算是Bootstraping的应用。Bootstraping的概念是对样本每次有放回的抽样，抽样K个，一共抽N次。 Bagging：每次从总体样本中随机抽取K个样本来训练模型（有放回），重复N次，得到N个模型（++独立构建++），然后将各个模型结果合并，分类问题投票方式结合，回归则是取平均值,e.g.Random Forest。...
从集成学习到模型的偏差和方差的理解
njustzj001的专栏
08-06 8461
模型的偏差和方差的权衡和讨论其实是贯穿在整个机器学习理论当中的。机器学习的每一个算法或者模型都有对这两方面的判断和取舍。今天在看scikit-learn文档关于集成学习的论述中又提到偏差和方差，所以我想谈一谈我对这两个概念的理解。集成学习集成学习是一种组合类型的学习方法。它采用多个基分类器组合成一个总分类器，能够达到单个基分类器所达不到的效果。根据将多个基分类器集成在一起的方式，集成学习主要分为两类
Scikit-Learn 集成方法（Ensemble method） 学习
热门推荐
夜晓楼的博客
03-18 1万+
集成算法的目标是：组合几个基学习器的预测，以此来提高单个模型的泛化性和健壮性 集成方法常分为两类： averging methods：平均法的原则是： 独立的构建几个学习器，然后平均他们的预测。通常，组合的学习器要比任何一个单个的学习器要好，因为它降低了方差。           其中的代表：bagging 方法，随即森林 boosting methods：学习器依次构建，试图降低
机器学习面试总结
weixin_30268071的博客
02-25 645
作者：xfcherish 链接：https://www.nowcoder.com/discuss/65323?type=0&order=0&pos=50&page=1 来源：牛客网 https://www.zhihu.com/question/59683332/answer/281642849知乎回答的补充部分 * 在知乎上发过，但是被人指出贴题目是非常不好的行为...
为什么说bagging是减少方差，而boosting是减少偏差
zrh_CSDN的博客
07-05 6905
Bagging是Bootstrap Aggregating 的简称，意思就是再取样 (Bootstrap) 然后在每个样本上训练出来的模型取平均，所以是降低模型的variance. Bagging 比如Random Forest 这种先天并行的算法都有这个效果。Boosting 则是迭代算法，每一次迭代都根据上一次迭代的预测结果对样本进行加权，所以随着迭代不断进行，误差会越来越小，所以模型的 bi...
bagging与boosting两种集成模型的偏差bias以及方差variance 的理解
12-27 1万+
Bagging对样本重采样，对每一重采样得到的子样本集训练一个模型，最后取平均。由于子样本集的相似性以及使用的是同种模型，因此各模型有近似相等的bias和variance（事实上，各模型的分布也近似相同，但不独立）。由于，所以bagging后的bias和单个子模型的接近，一般来说不能显著降低bias。另一方面，若各子模型独立，则有，此时可以显著降低variance。若各子模型完全相同，则，此时不会
机器学习常用算法解析
"3.机器学习常用算法.pdf" 这篇资料详细介绍了机器...总结起来，这份资料是全面介绍机器学习算法的宝贵资源，涵盖了基本概念、主流算法以及不同类型机器学习的概览，对于想要了解或提升机器学习技能的人来说极具价值。
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