随笔分类 -  机器学习算法

Maximum Likelihood ML
摘要：https://blog.csdn.net/u014182497/article/details/82252456 http://fangs.in/post/thinkstats/likelihood/ 阅读全文
posted @ 2020-12-10 16:04 ChevisZhang 阅读(59) 评论(0) 推荐(0)
light-GBM
摘要：https://www.biaodianfu.com/lightgbm.html 阅读全文
posted @ 2020-10-31 22:20 ChevisZhang 阅读(72) 评论(0) 推荐(0)
模型选型
摘要：1.dataset大小的解读，除了可以从数据量少，选择机器学习，迁移学习，数据量大选深度学习以外； 2. 还可以从文件完整性的角度去解读： 有缺失文件时，可以用 生成式模型（BN,MN,MC,HMM），部分判别式模型需要完整数据 3. 判别式模型的优点：训练数据需求较少，有更低的error 4. d 阅读全文
posted @ 2020-10-23 11:13 ChevisZhang 阅读(320) 评论(0) 推荐(0)
朴素贝叶斯
摘要：https://blog.csdn.net/qq_27009517/article/details/80044431 阅读全文
posted @ 2020-10-09 18:40 ChevisZhang 阅读(94) 评论(0) 推荐(0)
xgboost
摘要：https://www.bilibili.com/video/BV1si4y1G7Jb?t=1740 Xgboost思路： 1. 迭代的将残差y-f(x) (y-hat) 作为下一模型的label 2. 最后的预测结果为所有分类器的加和 目标函数的构建: 1. 阅读全文
posted @ 2020-09-21 20:07 ChevisZhang 阅读(134) 评论(0) 推荐(0)
P2： 数组
摘要：https://www.bilibili.com/video/BV1qb41117X3?p=2 例一：返回一个数组里局部最小值： def helper(nums): l,r = 0,len(nums) while l<r: mid = l + (l+r)//2 # 两个子数组 【 l , mid 】 阅读全文
posted @ 2020-08-16 14:53 ChevisZhang 阅读(99) 评论(0) 推荐(0)
5分钟机器学习
摘要：Logistic Regression: 1.由线性回归，加上sigmoid得来 2. 线性回归得到的是一个值，Logistic Regression得到的是一个概率 3. sigmoid函数减少了极端值的影响 4. 如果样本不是线性回归可处理的，那么logistic regression效果就比较 阅读全文
posted @ 2020-08-11 12:15 ChevisZhang 阅读(238) 评论(0) 推荐(0)
数据预处理 总结
摘要：1. 离散化 a) 无序变量离散化—— OneHotEncoder b）有序变量离散化 等宽划分：按照相同宽度将数据分成几等份。缺点是受到异常值的影响比较大。 pandas.cut方法可以进行等宽划分。 等频划分：将数据分成几等份，每等份数据里面的个数是一样的。pandas.qcut方法可以进行等频 阅读全文
posted @ 2020-08-10 18:44 ChevisZhang 阅读(401) 评论(0) 推荐(0)
正则化 / 特征选择
摘要：https://www.jianshu.com/p/569efedf6985 L1/L2/特征选择 看它就够了 https://www.cnblogs.com/nolonely/p/6435083.html https://www.zhihu.com/question/26485586 还有就是 L 阅读全文
posted @ 2020-08-10 11:08 ChevisZhang 阅读(304) 评论(0) 推荐(0)
SVM VS LR
摘要：https://www.zhihu.com/question/21704547 阅读全文
posted @ 2020-06-10 12:29 ChevisZhang 阅读(152) 评论(0) 推荐(0)
CV 第十一课 Segmentation Localization Detection 下
摘要：Object Detection 定义： 对于给定图片与给定分类，一旦分类出现在了图片中，则用框框起来 方法： 1. 如果作为Regression有点棘手 2. Sliding Window : Apply a CNN to many different crops of the image 1) 阅读全文
posted @ 2020-06-09 19:46 ChevisZhang 阅读(193) 评论(0) 推荐(0)
面经
摘要：机器学习题目： 一题一题的过 https://blog.csdn.net/u013382288/article/details/81160978 机器学习150道选择判断题 https://blog.csdn.net/sinat_26811377/article/details/101105504 阅读全文
posted @ 2020-06-08 21:28 ChevisZhang 阅读(139) 评论(0) 推荐(0)
overfitting问题
摘要：简单理个大纲，具体的以后慢慢补充： 1. 数据方面： Data Augumentation 补充数据 2. 网络结构： 简化网络 Dropout 3. Plus： 加正则项 https://blog.csdn.net/jingbo18/article/details/80609006 阅读全文
posted @ 2020-06-08 20:57 ChevisZhang 阅读(179) 评论(0) 推荐(0)
SVM的特点
摘要：https://i-beta.cnblogs.com/posts/edit SVM看这篇 LR模型找到的那个超平面，是尽量让所有点都远离他，而SVM寻找的那个超平面，是只让最靠近中间分割线的那些点尽量远离，即只用到那些支持向量的样本。 https://blog.csdn.net/u011692048 阅读全文
posted @ 2020-06-07 22:16 ChevisZhang 阅读(298) 评论(0) 推荐(0)
LR
摘要：LR https://www.bilibili.com/video/BV14g4y1z7aB https://blog.csdn.net/pakko/article/details/37878837 复习LR 这篇文章就够了 机器学习，深度学习 面试300题中 65-67 阅读全文
posted @ 2020-06-03 22:47 ChevisZhang 阅读(535) 评论(0) 推荐(0)
GBDT
摘要：GBDT https://blog.csdn.net/qq_24519677/article/details/82020863 https://blog.csdn.net/zpalyq110/article/details/79527653?utm_medium=distribute.pc_rele 阅读全文
posted @ 2020-06-03 22:46 ChevisZhang 阅读(200) 评论(0) 推荐(0)
数据清洗，结构化，规范化
摘要：1.数据清洗 2.结构化 3.规范化 阅读全文
posted @ 2020-06-03 22:44 ChevisZhang 阅读(478) 评论(0) 推荐(0)
SVM函数中的两个超参数 C gamma
摘要：SVM的优缺点（复习） https://blog.csdn.net/qq_38734403/article/details/80442535 https://blog.csdn.net/u012879957/article/details/82459315 https://www.cnblogs.c 阅读全文
posted @ 2020-05-21 18:53 ChevisZhang 阅读(2723) 评论(0) 推荐(0)