随笔分类 - 机器学习
摘要：本系列为吴恩达斯坦福CS229机器学习课程笔记整理，以下为笔记目录： （一）线性回归 （二）逻辑回归 （三）神经网络 （四）算法分析与优化 （五）支持向量机 （六）K-Means （七）特征降维 （八）异常检测 （九）推荐系统 （十）大规模机器学习 第三章 神经网络 一、再论0/1分类问题 通过对特
阅读全文
摘要：本系列为吴恩达斯坦福CS229机器学习课程笔记整理，以下为笔记目录： （一）线性回归 （二）逻辑回归 （三）神经网络 （四）算法分析与优化 （五）支持向量机 （六）K-Means （七）特征降维 （八）异常检测 （九）推荐系统 （十）大规模机器学习 第二章 逻辑回归 使用线性回归来处理 0/1 分类
阅读全文
摘要：本系列为吴恩达斯坦福CS229机器学习课程笔记整理，以下为笔记目录： （一）线性回归 （二）逻辑回归 （三）神经网络 （四）算法分析与优化 （五）支持向量机 （六）K-Means （七）特征降维 （八）异常检测 （九）推荐系统 （十）大规模机器学习 第一章 线性回归 一、ML引言 学习行为，定制服务
阅读全文
摘要：本系列为李航《统计学习方法》学习笔记整理，以下为目录： （一）统计学习方法概论 （二）感知机 （三）k近邻 （四）朴素贝叶斯 （五）决策树 （六）逻辑斯蒂回归与最大熵模型 （七）支持向量机 （八）提升方法 （九）EM算法及其推广 （十）隐马尔科夫模型 （十一）条件随机场 第一章 统计学习方法概论 统
阅读全文
摘要：前言 本系列为机器学习算法的总结和归纳，目的为了清晰阐述算法原理，同时附带上手代码实例，便于理解。 目录 k近邻（KNN） 决策树 线性回归 逻辑斯蒂回归 朴素贝叶斯 支持向量机（SVM） 组合算法（Ensemble Method） K-Means 机器学习算法总结 本章总结十大算法，并附带经典算法
阅读全文
摘要：前言 本系列为机器学习算法的总结和归纳，目的为了清晰阐述算法原理，同时附带上手代码实例，便于理解。 目录 k近邻（KNN） 决策树 线性回归 逻辑斯蒂回归 朴素贝叶斯 支持向量机（SVM） 组合算法（Ensemble Method） K-Means 机器学习算法总结 本章为集成学习，简单介绍下Boo
阅读全文
摘要：前言 本系列为机器学习算法的总结和归纳，目的为了清晰阐述算法原理，同时附带上手代码实例，便于理解。 目录 k近邻（KNN） 决策树 线性回归 逻辑斯蒂回归 朴素贝叶斯 支持向量机（SVM） 组合算法（Ensemble Method） K-Means 机器学习算法总结 一、简介 1 概述 支持向量机（
阅读全文
摘要：前言 本系列为机器学习算法的总结和归纳，目的为了清晰阐述算法原理，同时附带上手代码实例，便于理解。 目录 k近邻（KNN） 决策树 线性回归 逻辑斯蒂回归 朴素贝叶斯 支持向量机（SVM） 组合算法（Ensemble Method） K-Means 机器学习算法总结 本章为逻辑斯蒂回归，内容包括模型
阅读全文
摘要：前言 本系列为机器学习算法的总结和归纳，目的为了清晰阐述算法原理，同时附带上手代码实例，便于理解。 目录 k近邻（KNN） 决策树 线性回归 逻辑斯蒂回归 朴素贝叶斯 支持向量机（SVM） 组合算法（Ensemble Method） K-Means 机器学习算法总结 本章为朴素贝叶斯，内容包括模型介
阅读全文
摘要：前言 本系列为机器学习算法的总结和归纳，目的为了清晰阐述算法原理，同时附带上手代码实例，便于理解。 目录 k近邻（KNN） 决策树 线性回归 逻辑斯蒂回归 朴素贝叶斯 支持向量机（SVM） 组合算法（Ensemble Method） K-Means 机器学习算法总结 本章为k近邻算法，内容包括模型介
阅读全文
摘要：前言 本系列为机器学习算法的总结和归纳，目的为了清晰阐述算法原理，同时附带上手代码实例，便于理解。 目录 k近邻（KNN） 决策树 线性回归 逻辑斯蒂回归 朴素贝叶斯 支持向量机（SVM） 组合算法（Ensemble Method） K-Means 机器学习算法总结 本章为线性回归，内容包括模型介绍
阅读全文
摘要：前言 本系列为机器学习算法的总结和归纳，目的为了清晰阐述算法原理，同时附带上手代码实例，便于理解。 目录 k近邻（KNN） 决策树 线性回归 逻辑斯蒂回归 朴素贝叶斯 支持向量机（SVM） 组合算法（Ensemble Method） K-Means 机器学习算法总结 本章为决策树算法，内容包括基本模
阅读全文
摘要：前言 本系列为机器学习算法的总结和归纳，目的为了清晰阐述算法原理，同时附带上手代码实例，便于理解。 目录 k近邻（KNN） 决策树 线性回归 逻辑斯蒂回归 朴素贝叶斯 支持向量机（SVM） 组合算法（Ensemble Method） K-Means 机器学习算法总结 本章主要介绍无监督学习中的k-m
阅读全文
摘要：特征工程是机器学习当中很重要的部分，可以帮助我们设计、创建新特征，以便模型从中提取重要相关性。本文将记录并持续更新相关特征工程的工具包介绍，包括自动模型选择和超参数调优等各方面。 · Featuretools Featuretools 是一个开源的Python 库，用于自动化特征工程。自动特征工程能
阅读全文
摘要：当特征选择完成后，可以直接训练模型了，但是可能由于特征矩阵过大，导致计算量大，训练时间长的问题，因此降低特征矩阵维度也是必不可少的。降维（dimensionality reduction）是指通过对原有的feature进行重新组合，形成新的feature，选取其中的principal compone
阅读全文
摘要：经过之前学习，单独总结一篇特征工程中的经验和方法，以助于学习和参考。 1、对于理解数据、数据的结构、特点来说，单变量特征选择是个非常好的选择。尽管可以用它对特征进行排序来优化模型，但由于它不能发现冗余（例如假如一个特征子集，其中的特征之间具有很强的关联，那么从中选择最优的特征时就很难考虑到冗余的问题
阅读全文
摘要：当数据预处理完成后，我们需要选择有意义的特征输入机器学习的算法和模型进行训练。通常来说，从两个方面考虑来选择特征： · 特征是否发散：如果一个特征不发散，例如方差接近于0，也就是说样本在这个特征上基本上没有差异，这个特征对于样本的区分并没有什么用。 · 特征与目标的相关性：这点比较显见，与目标相关性
阅读全文
摘要：本文将以iris数据集为例，梳理数据挖掘和机器学习过程中数据预处理的流程。在前期阶段，已完成了数据采集、数据格式化、数据清洗和采样等阶段。通过特征提取，能得到未经处理的特征，但特征可能会有如下问题： - 不属于同一量纲 通常采用无量纲化进行处理； - 信息冗余 - 定性特征不能直接使用 通常使用哑编
阅读全文
浙公网安备 33010602011771号