- 综合排序
- 最热优先
- 最新优先
- 来自专栏合集
机器学习day4
ROC曲线 二值分类器是机器学习中最常见的分类器。评价的指标也有很多，precision，recall，F1 score等等。ROC曲线也是之一。
52720发布于 2020-06-04 - 来自专栏AI机器学习与深度学习算法
机器学习入门 4-4 分类精度
本系列是《玩转机器学习教程》一个整理的视频笔记。本小节主要介绍kNN算法的分类精度以及在sklearn中的实现。 分类精度 ? 通过上一小节的介绍，我们使用Train_Test_Split方法将这个数据集划分为训练集和测试集，通过训练集训练得到机器学习模型，之后通过测试集评测模型的效果。
96500发布于 2019-11-13 - 来自专栏机器学习实践二三事
机器学习基本概念-4
通俗点说,就是学习参数(hyperparameters) 那什么又是hyperparameters呢? 实际很简单,就是我们的model需要学习或者说需要update的参数,比如你使用了卷积(convolution),那么一定会有一个权重W和一个bias,这个就是你需要学习的参数,也就是model的hyperparameters 需要注意的是,不同的learning algorithm学习到的参数是不一样的,也是不能通用的. 首先,我们需要知道,如果光从training sets上去学习hyperparameters,其会使model的capacity最大,从而导致overfitting. 既然validation sets可以用来guide从training sets学习到的hyperparameters,所以一般在validation sets上的generatlization error
79361发布于 2018-01-02 - 来自专栏机器学习算法与Python学习
机器学习(4) -- 神经网络
Content: 4. 图4-5 典型的神经元激活函数（图片来自《机器学习》， 周志华） ? ? 图4-6 从偏移单元角度理解的神经元模型 4.3 Forward Propagation 4.2节已经学习了神经网络的最基本成分-神经元模型，下面将介绍如何用神经元搭建多层前馈神经网络(multi-layer 由于一共有4类，所以该神经网络有4个输出单元，分别将其标号为1，2，3，4，对应行人，汽车，摩托车，卡车。每次预测输出的是一个4维向量。 图4-11 一个处理4分类问题的神经网络 参考： 《机器学习》 周志华 链接： http://weibo.com/5501429448/DxsgrEmDz?
1.3K60发布于 2018-04-04 - 来自专栏云深之无迹
Julia机器学习核心编程.4
代码01行定义了_ab变量，这个名称可以使用。代码03行定义了@ab，04行报错，虽然提示的是“=”错误，但可以推测出其实是变量名称错误。代码05行直接输入了值1000，06行得到了一个输出结果。请注意，“!”（感叹号）不应该在变量名称中使用，因为以感叹号结尾的函数用于修改其参数。
1.1K20发布于 2020-08-13 - 来自专栏小鹏的专栏
机器学习-4：DeepLN之CNN解析
机器学习-1：MachineLN之三要素 2. 机器学习-2：MachineLN之模型评估 3. 机器学习-3：MachineLN之dl 4. 机器学习-4：DeepLN之CNN解析 5. 机器学习-5：DeepLN之CNN权重更新（笔记） 6. 机器学习-6：DeepLN之CNN源码 7. 机器学习-7：MachineLN之激活函数 8. 机器学习-8：DeepLN之BN 9. 机器学习-9：MachineLN之数据归一化 10. 机器学习-10：MachineLN之样本不均衡 11. 机器学习-11：MachineLN之过拟合 12. 机器学习-12：MachineLN之优化算法 13. 机器学习-13：MachineLN之kNN 14. 机器学习-14：MachineLN之kNN源码 15. 机器学习-15：MachineLN之感知机 16. 机器学习-16：MachineLN之感知机源码 17.
69710编辑于 2022-05-09 - 来自专栏硅光技术分享
机器学习笔记4：神经网络
神经网络的提出是基于对人脑的研究。每个神经元与其他神经元相连，接收其他神经元的信号。当其电压达到一定阈值，就会向其他神经元发送信号。基于此，科学家抽象出数学模型，如下图所示，
61120发布于 2020-08-13 - 来自专栏机器学习算法工程师
《机器学习》笔记-决策树（4）
作者：刘才权 编辑：黄俊嘉 写在最前面 如今机器学习和深度学习如此火热，相信很多像我一样的普通程序猿或者还在大学校园中的同学，一定也想参与其中。 对于自己，经历了一段时间的系统学习（参考《机器学习/深度学习入门资料汇总》），现在计划重新阅读《机器学习》[周志华]和《深度学习》[Goodfellow et al]这两本书，并在阅读的过程中进行记录和总结 这两本是机器学习和深度学习的入门经典。 记录笔记，一方面，是对自己先前学习过程的总结和补充。 另一方面，相信这个系列学习过程的记录，也能为像我一样入门机器学习和深度学习同学作为学习参考。 4 连续与缺失值 到目前为止我们讨论了基于离散属性来生成决策树。现实学习任务中常会遇到连续属性。此时 ，连续属性离散化技术可派上用场。最简单的策略是采用二分法（bi-partition）。
93390发布于 2018-03-06 - 来自专栏乐享123
吴恩达机器学习笔记-4
机器学习系统设计思路，向量机，聚类 机器学习系统设计 确定优先级 如何设计一个垃圾邮件分类器算法? 收集更多的数据，让我们有更多的垃圾邮件和非垃圾邮件的样本 基于邮件的路由信息开发一系列复杂的特征 基于邮件的正文信息开发一系列复杂的特征，包括考虑截词的处理 为探测刻意的拼写错误（例如: 把 watch 写成 w4tch 选择阈值的一种方法是是计算 F1 值（F1 Score），其计算公式为： image.png 机器学习数据 关于机器学习数据与特征值的选取比较有效的检测方法： 一个人类专家看到了特征值 x，能很有信心的预测出 我们实际上能得到一组庞大的训练集，并且在这个训练集中训练一个有很多参数的学习算法吗？ 向量机 支持向量机 简称 SVM，在学习复杂的非线性方程时提供了一种更为清晰，更加强大的方式。 对于数据集中的每一个数据，按照距离 K个中心点的距离，将其与距离最近的中心点关联起来，与同一个中心点关联的所有点聚成一类； 计算每一个组的平均值，将该组所关联的中心点移动到平均值的位置； 重复步骤 2-4
77330发布于 2019-12-30 - 来自专栏WD学习记录
机器学习 学习笔记（4）牛顿法 拟牛顿法
（4）计算 ? ，并求 ? ： ? （5）置 ? （6）置k=k+1，转（2） 拟牛顿法 牛顿法计算海塞矩阵的逆矩阵开销太多，拟牛顿法用一个近似的矩阵代替海塞矩阵的逆矩阵。 ? 满足条件 ? 记 ? （4）一维搜索：求 ? 使得 ? （5）置 ? （6）计算 ? ，若 ? ，则停止计算，的近似解 ? ，否则，按照 ? 计算 ? （4）一维搜索，求 ? 使得 ? （5）置 ? （6）计算 ? ，若 ? ，则停止计算，的近似解 ? ，否则，按照 ? 计算 ? 参考： 《机器学习》 《统计学习方法》 常见的几种最优化方法（梯度下降法、牛顿法、拟牛顿法、共轭梯度法等）
2K10发布于 2018-09-03 - 来自专栏SpringCloud专栏
4 机器学习入门——分类和最近邻
$150k, 6=$151k-$500k, 7=$501k+]； 2 第一辆BMW购买的年月；3 最新购买的BMW的年月；4 过去是否参加了延保活动。 这个数据集里面描述了顾客在BMW店里所到达的步骤，第一列代表看过该车，第二列到过展示厅、……看了M5、看了Z4、贷款、购买等等步骤。 ? 他们最终会购买 M5 或 Z4 车型（但从不购买 3-系列的）。 这个群集告诉经销店它应该考虑让它的搜索计算机在停车场处就能很容易地被看到（或安置一台室外的搜索计算机），并且让 M5 或 Z4 在搜索结果中更为醒目。 群集 4— 这个组我们将称之为 “Starting Out With BMW”，因为他们总是看 3-系列的车型，从不看贵很多的 M5。
1.2K40发布于 2019-01-17 - 来自专栏数据猿
深入机器学习系列之：4-KMeans
（4）计算标准测度函数，当满足一定条件，如函数收敛时，则算法终止；如果条件不满足则重复步骤 1.1 k-means算法的缺点 k-means算法虽然简单快速，但是存在下面的缺点： 聚类中心的个数K需要事先给定 就是运行在单个机器节点上的k-means++。 下面我们详细分析上述三个算法的代码实现。 4 源代码分析 在spark中，org.apache.spark.mllib.clustering.KMeans文件实现了k-means算法以及k-means||算法，org.apache.spark.mllib.clustering.LocalKMeans
70020发布于 2018-12-26 - 来自专栏AI机器学习与深度学习算法
机器学习入门 5-4 向量化
本系列是《玩转机器学习教程》一个整理的视频笔记。前一小节实现了简单线性回归，但是性能比较低。本小节主要介绍使用向量化的方式提升性能。
94020发布于 2019-11-13 - 来自专栏机器学习算法与Python学习
机器学习(4) --神经网络(part two)
Neural Networks (part two) 5.1 cost function 5.2 Back Propagation 5.3 NN conclusion 接上一篇 机器学习 注：正则化相关内容参见机器学习(2) -- 贝叶斯及正则化【Bayesian statistics and Regularization)】 5.2 Back Propagation ? 在第四步中，由于代价函数是非凸(non-convex)函数，所以在优化过程中可能陷入局部最优值，但不一定比全局最优差很多（如图5-4），在实际应用中通常不是大问题。 图5-4 陷入局部最优(不一定比全局最优差很多) 附代码：(继续往下看) 代码1：随机初始化连接权重 function W = randInitializeWeights(L_in, L_out) % to theta(i).) % numgrad = zeros(size(theta)); perturb = zeros(size(theta)); e = 1e-4;
72550发布于 2018-04-04 - 来自专栏机器学习/数据可视化
机器学习实战-4-KNN算法总结
机器学习实战-4-KNN算法总结 在前两篇文章机器学习实战-2-KNN和机器学习实战-3-基于KNN的约会网站配对实现中结合实际案例详细讲解了KNN算法的知识，主要包含： 算法的原理及概述 算法的主要步骤 图解KNN算法 如何建立KNN分类 电影分类和约会网站配对案例 还有其他的内容，比如KNN算法中使用的欧式距离涉及到的机器学习中的度量问题、jupyter notebook中如何使用KNN算法等。 "].tolist()}) # 3、根据距离升序排列，取出前k个 dist_sorted = dist_labels.sort_values(by="dist")[:k] # 4、 对异常值不敏感 算法缺点 计算复杂性高，空间复杂度高，从而导致计算量大 如果数值多不适合，计算量过大 可解释性差，不能给出数据的内在含义 样本不平衡问题：有些类别的样本多，有些类别的样本数量较少 参考资料 1、《机器学习实战 》一书 2、李航老师：《统计学习方法》 3、机器学习实战教程（一）：K-近邻算法(史诗级干货长文)
87210发布于 2021-03-03 - 来自专栏AI机器学习与深度学习算法
机器学习入门 4-5 超参数
本系列是《玩转机器学习教程》一个整理的视频笔记。本小节主要介绍超参数相关的概念。 ? 这就涉及到了机器学习领域非常重要的问题~超参数问题。 我们将这些在运行机器学习算法之前需要指定的参数，称之为超参数。kNN算法中的k就是kNN算法的超参数。 和超参数相对应的概念就是模型参数，模型参数就是在模型训练过程中，机器学习算法根据训练样本学习到的参数。 其实可以简单理解： 超参数，需要在使用机器学习算法之前指定的数值，指定不同的数值可能为模型带来不同的泛化能力，使用机器学习算法相同，但是其中的超参数不同，也可以认为是两种不同的模型，因此可以看出超参数还是很重要的 领域知识，根据不同的领域，比如自然语言处理或者计算机视觉，最好的超参数可能是不一样的，这些最好的超参数是可以通过领域知识所得到的； 经验数值，对于不同的任务有很多经验数值，很多机器学习库或者深度学习库中会封装一些默认的数值
77530发布于 2019-11-13 - 来自专栏音视频技术学习笔记
机器学习作业4-反向传播
)就是下标为j的神经元的偏导，正好可以用来当梯度用，这里感觉应该是近似，这里看懂了就明白吴恩达视频里的盲区了。注意，按照链式法则求偏导，(
68710发布于 2021-03-09 - 来自专栏人工智能的秘密
4种普遍的机器学习分类算法
本文主要介绍了 4 种应用比较普遍的的机器学习算法，但是机器学习算法还有其他很多不同的算法，大家感兴趣的可以自己去了解。 4.如果 ，则 。 朴素贝叶斯算法在执行文本分类等工作是会有很好的效果，比如朴素贝叶斯算法常被使用于垃圾邮件的过滤分类中。 SVM算法 支持向量机（Support Vector Machine，常简称为 SVM）是一种监督式学习的方法，可广泛地应用于统计分类以及回归分析。
1.6K00发布于 2017-12-25 - 来自专栏AI机器学习与深度学习算法
机器学习入门 4-2 scikit-learn中的机器学习算法封装
本系列是《玩转机器学习教程》一个整理的视频笔记。本小节主要介绍使用sklearn实现KNN算法。 使用sklearn实现KNN 机器学习的流程如下： ? 我们将大量的学习资料喂给机器学习算法，这个机器学习算法就会相应的训练出一个模型，之后来了一个新的输入样例之后，将这个输入样例送给这个模型，这个模型就能预测出这个新的输入样例的预测结果。 ? 在监督机器学习中输入的大量学习资料就是训练样本以及对应的标签； 机器学习算法得到训练模型过程我们称之为拟合，英文为fit； 输入样例输入模型，模型输出结果的过程叫做预测，英文为predict。 kNN也属于这个过程，但是kNN算法中我们并没有得到模型，事实上确实如此，这可能也是KNN算法一个重要的特性，可以说kNN是一个不需要训练过程的算法，从上面的学习也可以知道，kNN算法直接将输入样例送给了训练数据集
1.1K00发布于 2019-11-13 - 来自专栏计算机视觉
深度学习500问——Chapter02：机器学习基础（4）
4、相比于其他算法智能分析一种类型变量，决策树算法可处理数字和数据的类别。 5、能够处理多输出的问题。 6、对缺失值不敏感。 7、可以处理不相关特征数据。 4、在处理特征关联性比较强的数据时表现得不是太好。 5、对于各类别样本数量不一致的数据，在决策树中，信息增益的结果偏向于那些具有更多数值的特征。 4）核函数方法可以和不同的算法相结合，形成多种不同的基于核函数技术的方法，且这两部分的设计可以单独进行，并可以为不同的应用选择不同的核函数和算法。 (4) SVM是一种有坚实理论基础的新颖的适用小样本学习方法。它基本上不涉及概率测度及大数定律等，也简化了通常的分类和回归等问题。 算法对大规模训练样本难以实施 SVM的空间消耗主要是存储训练样本和核矩阵，由于SVM是借助二次规划来求解支持向量，而求解二次规划将涉及m阶矩阵的计算（m为样本的个数），当m数目很大时该矩阵的存储和计算将耗费大量的机器内存和运算时间
43010编辑于 2024-03-19
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号