摘要：
[TOC] 人工智能从入门到放弃完整教程目录：https://www.cnblogs.com/nickchen121/p/11686958.html 梯度提升树 梯度提升树(gradien boosting decision tree，GBDT)在工业上用途广泛，属于最流行、最实用的算法之一，梯度提 阅读全文
posted @ 2019-10-16 17:07
B站-水论文的程序猿
阅读(1716)
评论(0)
推荐(0)
摘要：
[TOC] 人工智能从入门到放弃完整教程目录：https://www.cnblogs.com/nickchen121/p/11686958.html 熵和信息增益 一、熵（Entropy） 熵表示 。假设离散随机变量$X$可以取到$n$个值，其概率分布为 $$ P(X=x_i)=p_i, \quad 阅读全文
posted @ 2019-10-16 17:07
B站-水论文的程序猿
阅读(1122)
评论(0)
推荐(0)
摘要：
[TOC] 人工智能从入门到放弃完整教程目录：https://www.cnblogs.com/nickchen121/p/11686958.html 贝叶斯决策 一、贝叶斯决策理论 贝叶斯决策理论：在不完全情报下，对部分未知的状态用主观概率估计。 二、贝叶斯公式 2.1 从条件概率公式推导贝叶斯公式 阅读全文
posted @ 2019-10-16 17:07
B站-水论文的程序猿
阅读(876)
评论(0)
推荐(0)
摘要：
[TOC] 人工智能从入门到放弃完整教程目录：https://www.cnblogs.com/nickchen121/p/11686958.html 细分构建机器学习应用程序的流程 数据预处理 sklearn数据预处理官方文档地址：https://scikit learn.org/stable/mo 阅读全文
posted @ 2019-10-16 17:07
B站-水论文的程序猿
阅读(1053)
评论(0)
推荐(0)
摘要：
[TOC] 人工智能从入门到放弃完整教程目录：https://www.cnblogs.com/nickchen121/p/11686958.html 多元线性回归(波士顿房价预测) 一、导入模块 二、获取数据 三、训练模型 四、可视化 五、均方误差测试 训练集的均方误差是19.4，而测试集的均方误差 阅读全文
posted @ 2019-10-16 17:07
B站-水论文的程序猿
阅读(6324)
评论(0)
推荐(0)
摘要：
[TOC] 人工智能从入门到放弃完整教程目录：https://www.cnblogs.com/nickchen121/p/11686958.html 极大似然估计 一、最大似然原理 二、极大似然估计 极大似然估计是建立在最大似然原理的基础上的一个统计方法。极大似然估计提供了一种给定观察数据来评估模型 阅读全文
posted @ 2019-10-16 17:07
B站-水论文的程序猿
阅读(1203)
评论(0)
推荐(0)
摘要：
[TOC] 人工智能从入门到放弃完整教程目录：https://www.cnblogs.com/nickchen121/p/11686958.html 决策树CART算法 决策树C4.5算法虽然对决策树ID3算法做了很大的改良，但是缺点也是很明显的，无法处理回归问题、使用较为复杂的熵来作为特征选择的标 阅读全文
posted @ 2019-10-16 17:07
B站-水论文的程序猿
阅读(3824)
评论(0)
推荐(1)
摘要：
[TOC] 人工智能从入门到放弃完整教程目录：https://www.cnblogs.com/nickchen121/p/11686958.html AdaBoost算法代码(鸢尾花分类) 一、导入模块 二、导入数据 三、构造决策边界 四、训练模型 4.1 训练模型(n_e=10, l_r=0.8) 阅读全文
posted @ 2019-10-16 17:07
B站-水论文的程序猿
阅读(2353)
评论(0)
推荐(0)
摘要：
[TOC] 人工智能从入门到放弃完整教程目录：https://www.cnblogs.com/nickchen121/p/11686958.html scikit learn库之AdaBoost算法 当我们对Adaboost调参时，主要要对两部分内容调参，第一部分是对Adaboost的框架进行调参， 阅读全文
posted @ 2019-10-16 17:07
B站-水论文的程序猿
阅读(23294)
评论(0)
推荐(1)
摘要：
[TOC] 人工智能从入门到放弃完整教程目录：https://www.cnblogs.com/nickchen121/p/11686958.html 梯度提升算法代码(鸢尾花分类)+交叉验证调参 一、导入模块 二、导入数据 三、构造决策边界 四、训练模型 4.1 可视化 五、交叉验证训练模型 5.1 阅读全文
posted @ 2019-10-16 17:07
B站-水论文的程序猿
阅读(1336)
评论(0)
推荐(0)
浙公网安备 33010602011771号