上一页 1 ··· 22 23 24 25 26 27 28 29 30 ··· 34 下一页
摘要: //2019.08.02下午#机器学习算法中的超参数与模型参数1、超参数:是指机器学习算法运行之前需要指定的参数,是指对于不同机器学习算法属性的决定参数。通常来说,人们所说的调参就是指调节超参数。2、模型参数:是指算法在使用过程中需要学习得到的参数,即输入与输出之间映射函数中的参数,它需要通过对于训 阅读全文
posted @ 2019-08-03 13:55 The-Chosen-One 阅读(925) 评论(0) 推荐(0)
摘要: 1、k近邻算法可以说是唯一一个没有训练过程的机器学习算法,它含有训练基础数据集,但是是一种没有模型的算法,为了将其和其他算法进行统一,我们把它的训练数据集当做它的模型本身。2、在scikitlearn中调用KNN算法的操作步骤如下(利用实际例子举例如下):#1导入相应的数据可视化模块import n 阅读全文
posted @ 2019-08-03 13:41 The-Chosen-One 阅读(861) 评论(0) 推荐(0)
摘要: sklearn之train_test_split()函数各参数含义(非常全) 在机器学习中,我们通常将原始数据按照比例分割为“测试集”和“训练集”,从 sklearn.model_selection 中调用train_test_split 函数 简单用法如下: X_train,X_test, y_t 阅读全文
posted @ 2019-08-02 13:40 The-Chosen-One 阅读(256879) 评论(4) 推荐(19)
摘要: //2019.08.01下午机器学习算法1——k近邻算法1、k近邻算法是学习机器学习算法最为经典和简单的算法,它是机器学习算法入门最好的算法之一,可以非常好并且快速地理解机器学习的算法的框架与应用。2、kNN机器学习算法具有以下的特点:(1)思想极度简单(2)应用的数学知识非常少(3)解决相关问题的 阅读全文
posted @ 2019-08-01 16:30 The-Chosen-One 阅读(1244) 评论(0) 推荐(0)
摘要: //2019.08.01机器学习基础入门1-21、半监督学习的数据特征在于其数据集一部分带有一定的"标记"和或者"答案",而另一部分数据没有特定的标记,而更常见的半监督学习数据集产生的原因是各种原因引起的数据缺失。2、半监督学习的数据集处理方式大多采用:先用无监督学习算法对数据进行相关的处理,再利用 阅读全文
posted @ 2019-08-01 10:54 The-Chosen-One 阅读(2556) 评论(0) 推荐(0)
摘要: 机器学习入门介绍(非常易懂) //2019.07.31早上机器学习基本概念介绍1、机器学习的含义在于让机器去学习,其核心在于学习。 2、最早的机器学习应用是在垃圾邮件的分辨,它开启了机器学习的领域和时代 3、机器学习的典型应用主要体现在以下几个方面:(1)图像识别(2)语音识别(3)数字识别(4). 阅读全文
posted @ 2019-07-31 20:40 The-Chosen-One 阅读(4226) 评论(0) 推荐(1)
摘要: //2019.07.29-301、Keras 是提供一些高度可用神经网络框架的 Python API ,能帮助你快速的构建和训练自己的深度学习模型,它的后端是 TensorFlow 或者 Theano 。 2、Keras 被认为是构建神经网络的未来,以下是一些它流行的原因:(1)轻量级和快速开发:K 阅读全文
posted @ 2019-07-30 13:20 The-Chosen-One 阅读(1420) 评论(0) 推荐(0)
摘要: Python Sklearn.metrics 简介及应用示例 利用Python进行各种机器学习算法的实现时,经常会用到sklearn(scikit-learn)这个模块/库。 无论利用机器学习算法进行回归、分类或者聚类时,评价指标,即检验机器学习模型效果的定量指标,都是一个不可避免且十分重要的问题。 阅读全文
posted @ 2019-07-26 17:02 The-Chosen-One 阅读(18008) 评论(0) 推荐(0)
摘要: //2019.07.26#scikit-learn数据挖掘工具包1、Scikit learn是基于python的数据挖掘和机器学习的工具包,方便实现数据的数据分析与高级操作,是数据分析里面非常重要的工具包。2、Scikit Learn是数据挖掘重要的工具包,其官网为http://scikit-lea 阅读全文
posted @ 2019-07-26 16:47 The-Chosen-One 阅读(587) 评论(0) 推荐(0)
摘要: metrics.png wiki.png 机器学习度量指标 分类评估指标 TN TP FN FP TP:预测为正向(P),实际上预测正确(T),即判断为正向的正确率 TN:预测为负向(N),实际上预测正确(T),即判断为负向的正确率 FP:预测为正向(P),实际上预测错误(F),误报率,即把负向判断 阅读全文
posted @ 2019-07-26 16:36 The-Chosen-One 阅读(2383) 评论(2) 推荐(0)
上一页 1 ··· 22 23 24 25 26 27 28 29 30 ··· 34 下一页