人工智站

摘要： "1. 特征工程之特征预处理" "2. 特征工程之特征选择" 1. 前言 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。 2. 特征选择的方法 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 阅读全文

摘要： "1. 特征工程之特征预处理" "2. 特征工程之特征选择" 1. 前言 “数据决定了机器学习的上限，而算法只是尽可能逼近这个上限” ，这里的数据指的就是经过特征工程得到的数据。特征工程指的是把原始数据转变为模型的训练数据的过程，它的目的就是获取更好的训练数据特征，使得机器学习模型逼近这个上限。特征 阅读全文

摘要： "1. 集成学习（Ensemble Learning）原理" "2. 集成学习（Ensemble Learning）Bagging" "3. 集成学习（Ensemble Learning）随机森林（Random Forest）" "4. 集成学习（Ensemble Learning）Adaboost 阅读全文

摘要： "1. 集成学习（Ensemble Learning）原理" "2. 集成学习（Ensemble Learning）Bagging" "3. 集成学习（Ensemble Learning）随机森林（Random Forest）" "4. 集成学习（Ensemble Learning）Adaboost 阅读全文

摘要： 1. 前言 在机器学习的分类问题领域中，有两个平分秋色的算法，就是 "逻辑回归" 和 "支持向量机" ，这两个算法个有千秋，在不同的问题中有不同的表现效果，下面我们就对它们的区别和联系做一个简单的总结。 2. LR和SVM的联系 1. 都是监督的分类算法。 2. 都是线性分类方法 (不考虑核函数时） 阅读全文

摘要： "1. 感知机原理（Perceptron）" "2. 感知机(Perceptron)基本形式和对偶形式实现" "3. 支持向量机（SVM）拉格朗日对偶性（KKT）" "4. 支持向量机（SVM）原理" "5. 支持向量机（SVM）软间隔" "6. 支持向量机（SVM）核函数" 1. 前言 之前介绍了 阅读全文

摘要： 1. 前言 在机器学习中，不同的问题对应了不同的损失函数，不同的损失函数也直接会影响到收敛的快慢和结果的好坏，下面就从不同的损失函数的角度进行一下梳理。 2. 0 1损失函数 0 1损失是指，预测值和目标值不相等为1，否则为0 3. log对数损失函数 "逻辑回归" 的损失函数就是对数损失函数，在逻 阅读全文

摘要： "1. 感知机原理（Perceptron）" "2. 感知机(Perceptron)基本形式和对偶形式实现" "3. 支持向量机（SVM）拉格朗日对偶性（KKT）" "4. 支持向量机（SVM）原理" "5. 支持向量机（SVM）软间隔" "6. 支持向量机（SVM）核函数" 1. 前言 在前一篇 阅读全文

摘要： "1. 感知机原理（Perceptron）" "2. 感知机(Perceptron)基本形式和对偶形式实现" "3. 支持向量机（SVM）拉格朗日对偶性（KKT）" "4. 支持向量机（SVM）原理" "5. 支持向量机（SVM）软间隔" "6. 支持向量机（SVM）核函数" 1. 前言 在我没有学 阅读全文

摘要： 1. 前言 在NLP中有几个经典的序列标注问题，词性标注（POS），chunking和命名实体识别（NER）。序列标注器的输出可用于另外的应用程序。例如，可以利用在用户搜索查询上训练的命名实体识别器来识别关键词，从而触发某些产品广告。另一个例子是搜索引擎可以使用这种标签信息来查找相关的网页。 2. 阅读全文