- 综合排序
- 最热优先
- 最新优先
- 来自专栏机器学习原理
机器学习(5)——KNNKNNKD Tree
pow(instance1[x]-instence2[x],2) return math.sqrt(distance) # s = euclideanDistence([1,2,3],[4,5,6
72650发布于 2018-04-27 - 来自专栏合集
机器学习day5
贝叶斯优化算法 贝叶斯算法会记录测试过的值，学习目标函数的形状，找到全局最优值提升的参数。 欠拟合无法捕捉数据的特征，过拟合则是模型复杂，把噪声也学习到了模型中，导致模型泛化能力差。 降低过拟合的风险的办法 获取更多的数据。这是最直接有效的方法，更多的数据能够学习有效的特征，降低噪声的影响。 \sum{i}w_{i}^{2}$$ 集成学习方法。把多模型集成在一起，降低单一模型过拟合的风险，比如Bagging方法。 降低欠拟合风险的方法 添加新的特征。
38710发布于 2020-06-04 - 来自专栏WD学习记录
机器学习 学习笔记（5） 线性回归
# 代码和数据集源自于机器学习实战，可见https://github.com/AnnDWang/MachineLearning/blob/master/thirdbook/ch8/regression.py image.png 代码如下： # 代码和数据集源自于机器学习实战 # 局部加权线性回归函数 def lwlr(testPoint,xArr,yArr,k=1.0): xMat=mat(xArr 代码如下： # 代码和数据集主要源自于机器学习实战 # 岭回归 # 用于计算回归系数， # 实现了给定了lambda下的岭回归求解 # 如果没有指定lambda，默认为0.2 def ridgeRegres 梯度下降和正规方程对比： 梯度下降法： 需要选择学习率 ? ，需要多次迭代，特征值范围相差太大时，需要进行特征缩放，当特征数n很大时，能够工作地很好。 正规方程对比： 不需要选择学习率 ? 参考： 《机器学习》 《机器学习实战》 机器学习：线性回归（Linear Regression）小项目 机器学习之线性回归、多项式回归 线性回归原理和实现基本认识
1K50发布于 2018-09-03 - 来自专栏大数据文摘
推荐5个机器学习API
摘自：InfoQ 原文链接：infoq.com/cn/news/2015/12/5-best-ml-api-to-use 作者：孙镜涛 机器学习作为大数据的前沿无疑是让人生畏的，因为只有技术极客和数据科学领域的专家才能驾驭机器学习算法和技术 但是现在这种情况正在发生改变，正如标准的API简化了应用程序的开发一样，机器学习API也降低了这一领域的门槛，让越来越多的人和企业能够借助技术底蕴深厚的公司所提供的API试水机器学习。 机器学习API隐藏了创建和部署机器学习模型的复杂性，让开发者能够专注于数据挖掘和用户体验。 Shah在KDnuggets上发表了一篇文章，介绍了这5个公司的机器学习API。 Amazon机器学习API Amazon机器学习API让用户不需要大量的数据专家就能够实现模型构建、数据清洗和统计分析等工作，简化了预测的实现流程。
1.3K80发布于 2018-05-22 - 来自专栏算法channel
机器学习（5）：几个重要矩阵
1 可逆矩阵 矩阵A首先是方阵，并且存在另一个矩阵B，使得它们的乘积为单位阵，则称B为A的逆矩阵。如下所示，利用numpy模块求解方阵A的逆矩阵，B，然后再看一下A*B是否等于单位阵E，可以看出等于单位阵E。 python测试代码： import numpy as np '方阵A' A = np.array([[1,2],[3,4]]) A array([[1, 2], [3, 4]]) '逆矩阵B' import numpy.linalg as la B = la.inv(A) B arra
1.7K50发布于 2018-04-02 - 来自专栏机器学习算法与Python学习
Github 5 个机器学习项目
本文由『专知』整理 本文整理了Github上评价最高的几个机器学习项目。 它是轻量级的，允许用户学习文本表示和句子分类器。它适用于标准的通用硬件。模型可以减小尺寸，甚至适合移动设备。文本分类是许多应用程序的核心问题，如垃圾邮件检测，情绪分析或智能回复。 TensorFlow是由Google设计的端到端机器学习开源平台。它拥有全面的工具，图书馆和社区资源生态系统，可让研究人员在ML中创造最先进的技术。 11852 stars] http://predictionio.apache.org/appintegration/ Apache PredictionIO是面向开发人员，数据科学家和最终用户的开源机器学习框架 5. Style2Paints [9184 stars] 为动漫线稿上色的一个工程！
89320发布于 2019-08-13 - 来自专栏CDA数据分析师
机器学习的5种“兵法
最后，你会发现可以通过应用标准数据集练习机器学习的5个技巧，从而进一步加深你对机器学习算法的理解。 理论学习----放在最后而不是第一 对开发者的机器学习教学法很麻烦。 如果你想成功并且有动力取得成功，你是一定会去学习算法理论的。 理解机器学习的5种“兵法” 到了深入钻研机器学习算法以作为目标来实践的时候了，此时有很多技术和模板你可以用来简化学习的过程。 3)设计解决问题的试验（如：在几个不同的二分类问题上试验不同数量的随机树，并绘制数的数量与分类精度的关系图） 4)执行试验并写出结果，以便日后使用 5)不断重复这些步骤 这是实用性的机器学习的优势之一， 5. 执行机器学习算法 没有比执行算法本身更好的方式去了解机器学习的算法了。 在从头开始执行算法过程中，你将碰到各种算法问题相关的一些微观决策。 列一个清单，包含10种用于分类的机器语言 找有关随机森林算法（Random Forests）的5本书 用自己的算法描述模板做一个5页的PPT来展示贝叶斯分类器(NaiveBayes) 打开Weka了解
68470发布于 2018-02-05 - 来自专栏SuperFeng
机器学习系列 5：特征缩放
x1 为房子的大小，范围在 0 到 2000，x2 为房子中卧室的数目，范围在 0 到 5，那么画出这个代价函数的轮廓图就是这个样子，一个扁扁的椭圆形。 ? 最简单的方法就是将 x1 除以 2000（因为他的范围就是 0-2000）， x2 除以 5。
58820发布于 2019-09-26 - 来自专栏大数据文摘
机器学习的5种“兵法”;
最后，你会发现可以通过应用标准数据集练习机器学习的5个技巧，从而进一步加深你对机器学习算法的理解。 理论学习----放在最后而不是第一 对开发者的机器学习教学法很麻烦。 如果你想成功并且有动力取得成功，你是一定会去学习算法理论的。 理解机器学习的5种“兵法" 到了深入钻研机器学习算法以作为目标来实践的时候了，此时有很多技术和模板你可以用来简化学习的过程。 ） 3) 设计解决问题的试验（如：在几个不同的二分类问题上试验不同数量的随机树，并绘制数的数量与分类精度的关系图） 4) 执行试验并写出结果，以便日后使用 5) 不断重复这些步骤 这是实用性的机器学习的优势之一 5. 执行机器学习算法 没有比执行算法本身更好的方式去了解机器学习的算法了。 在从头开始执行算法过程中，你将碰到各种算法问题相关的一些微观决策。 列一个清单，包含10种用于分类的机器语言 找有关随机森林算法（Random Forests）的5本书 用自己的算法描述模板做一个5页的PPT来展示贝叶斯分类器(NaiveBayes) 打开Weka了解”
57050发布于 2018-05-21 - 来自专栏Soul Joy Hub
《deep learning》学习笔记（5）——机器学习基础
5.1.1 任务 T 样本：我们从某些希望机器学习系统处理的对象或事件中收集到的已经量化的特征（feature）的集合。 - 合成和采样：在这类任务中，机器学习程序生成一些和训练数据相似的新样本。通过机器学习，合成和采样可能在媒体应用中非常有用，可以避免艺术家大量昂贵或者乏味费时的手动工作。 监督学习（supervised learning）源自这样一个视角，教员或者老师提供目标 y 给机器学习系统，指导其应该做什么。 其中，ϵ 是学习率。 5.10 构建机器学习算法 学习算法都可以被描述为一个相当简单的配方：特定的数据集、代价函数、优化过程和模型。 5.11 促使深度学习发展的挑战 5.11.1 维数灾难 维数灾难：当数据的维数很高时，很多机器学习问题变得相当困难。 ?
90630发布于 2019-02-13 - 来自专栏数据科学与人工智能
【智能】理解机器学习的5种方式——机器学习是什么
笔者邀请您，先思考： 1 机器学习是什么？ 2 您怎么理解机器学习？ 1 ? 2 我们解决了很多二元二次方程问题。 例如： 2x + 3y = 5 -4x + 7y = 9 解决机器学习问题意味着完全解决这些类型的方程。 唯一的区别是，在ML的情况下，我们有数百万的方程式，数十亿的未知和万亿种可能的解决方案。 6,7,6,7,6,7,6,7 6,7,8,9,10,11,12,13 对于电脑来说首先是数字，对于我们来说 第一行 - 都是一样的 第二行 - 增加和减少序列 第三行 - 不断增加 因此，从数据中找到这样的规则，模式就是机器学习 机器学习是关于自动构建if/else的系统 5 工业革命 - 自动化 当代时代，机器学习 - 自动化的自动化 未来，AutoML - 自动化自动化的自动化 版权声明：作者保留权利，严禁修改，转载注明原文链接
35200发布于 2018-07-30 - 来自专栏机器学习初学者精选文章
(视频+图文)机器学习入门系列-第5章 机器学习实践
机器学习入门系列，黄海广老师主讲。本站将持续更新，ppt、代码、课后习题见文末。 本系列的目录 01.引言 02.回归 03.逻辑回归 04.朴素贝叶斯 05.机器学习实践 06.机器学习库Scikit-learn 07.KNN算法 08.决策树 09.集成学习 10.人工神经网络 11.支持向量机 12.聚类 13.降维 14.关联规则 15.机器学习项目流程 本章目录 5.1 数据集划分 5.2 评价指标 5.3 正则化、偏差与方差 5.1 数据集划分 视频讲解 图文内容
38320编辑于 2022-02-23 - 来自专栏AI机器学习与深度学习算法
机器学习入门 8-5 学习曲线
本系列是《玩转机器学习教程》一个整理的视频笔记。上一小节介绍了模型复杂度曲线，通过这种直观的曲线，可以比较容易的看到模型欠拟合和过拟合的地方，进而选出最合适的模型复杂度。 在上一小节中，提到模型复杂度曲线是一个理论的趋势，当处理不同的数据运用不同的模型时，有可能绘制不出这么清晰的模型复杂度曲线，而现在学的kNN算法和多项式回归算法就不太适合绘制这样的模型复杂度曲线，当然这些机器学习算法内在都是符合这样的曲线趋势 2 学习曲线 学习曲线其实非常简单，可以想象一下，我们在学习知识的时候是不断的将新的内容放入我们的大脑中去消化理解，而对于模型来说，所谓的这些知识就是已知的样本信息，学习曲线描述的就是随着训练样本的逐渐增多 阶数为2的多项式回归学习曲线如下图所示。 ? 上面就是使用二阶的多项式回归得到的学习曲线，仔细观察一下就会发现，这个学习曲线从整体的趋势来看和使用线性回归得到的学习曲线是一致的， train这根曲线逐渐上升，上升到一定程度后变得相对比较稳定； test
1.7K10发布于 2019-12-26 - 来自专栏机器学习/数据可视化
Python深度学习精华笔记5：机器学习基础
公众号：机器学习杂货店作者：Peter编辑：Peter持续更新《Python深度学习》一书的精华内容，仅作为学习笔记分享。 图片本小节是第5篇：主要是介绍机器学习/深度学习的基础知识，主要包含：机器学习的多种形式评估机器学习的模型的规范化流程深度学习的数据准备数据预处理、特征工程解决过拟合问题处理机器学习问题的通用工作流程机器学习的四大分支监督学习监督学习 无监督学习无监督学习是机器学习任务的一种，它从无标记的训练数据中推断结论，它是进行数据分析的必要步骤。 评估机器学习模型一个现象：模型在训练集上性能始终在提高，但是在验证集表现得不好，即出现了过拟合overfit。机器学习的目的是得到泛化generalize的模型，即在前所未见的数据集表现良好。 特征工程是建立机器学习模型的第一步，因为它能够使模型的表现与所使用的特征有很大的关系。过拟合和欠拟合机器学习的根本问题是优化和泛化之间的对立。
97440编辑于 2023-09-09 - 来自专栏MiningAlgorithms
机器学习5：集成学习--Bagging与随机森林
第一部分：集成学习 1，集成学习 对于训练集数据，通过训练若干个个体学习器，通过一定的结合策略，就可以最终形成一个强学习器，以达到博采众长的目的。 集成学习通过将多个学习器进行结合，通常会获得比单一学习器显著优越的泛化能力。 这对弱学习器尤为显著，因此集成学习的很多理论都是针对偌学习器进行的，由此基学习器有时也被直接成为弱学习器，这里的若学习器只是相对的概念，为了集成模型的效果，通常会选择较强的学习期作为基学习器。 ? 而根据个体学习器生成方式的不同，目前集成学习方法大致可分为两大类，即个体学习器间存在强依赖关系、必须串行生成的序列化方法，以及个体学习器间不存在强依赖关系、可同时生成的并行化方法；前者的代表是Boosting 3），学习法 Stacking描述：先从初始数据集中训练出初级学习器，然后“生成”一个新数据集用于训练次级学习器。
94620发布于 2019-08-08 - 来自专栏硅光技术分享
机器学习笔记5：支持向量机
这篇笔记整理下支持向量机(support vector machine)的相关知识点。
44110发布于 2020-08-13 - 来自专栏机器学习/数据可视化
5大常见机器学习算法
5大常用的机器学习算法 本文介绍了 5 大常用机器学习模型类型：集成学习算法，解释型算法，聚类算法，降维算法，相似性算法，并简要介绍了每种类型中最广泛使用的算法模型。 本文并不包括所有的机器学习模型，比如Naïve Bayes（朴素贝叶斯）和SVM这种传统算法，在本文中将会被更好的算法所取代。 可消化性。 由于其固有的性质，集合学习算法优于所有传统的机器学习算法，包括Naïve Bayes、SVM和决策树。 算法解释 随机森林：随机森林由许多相互独立的决策树构成。 在实践中，你的机器学习模型的可解释性与机器学习模型本身的性能一样重要。如果你不能解释一个模型是如何工作的，那么这个模型就很难取信于人，自然也就不会被人们应用。 以上就是对当前主流的机器学习算法的总结，希望本文能帮助你更好地了解各种ML模型以及它们的应用场景。
58220编辑于 2023-08-23 - 来自专栏机器学习算法工程师
《机器学习》笔记-神经网络（5）
作者：刘才权 编辑：赵一帆 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。 众所周知，特征好坏对泛化性能有至关重要的影响，人类专家设计出好特征也并非易事；特征学习则通过机器学习技术自身来产生好特征，这使机器学习向“全自动数据分析”又前进了一步。
84870发布于 2018-03-06 - 来自专栏明天依旧可好的专栏
机器学习第5天：逻辑回归
四、逻辑回归是什么 简单来说， 逻辑回归（Logistic Regression）是一种用于解决二分类（0 or 1）问题的机器学习方法，用于估计某种事物的可能性。 例如： arr = np.arange(15).reshape(3,5) """ 输出： array([[ 0, 1, 2, 3, 4], [ 5, 6, 7, 8, 9] , [10, 11, 12, 13, 14]]) """ arr.T """ 输出： array([[ 0, 5, 10], [ 1, 6, 11], [ 2, 7, 12], [ 3, 8, 13], [ 4, 9, 14]]) """ （5）.meshgrid()： meshgrid函数用两个坐标轴上的点在平面上画网格
69140发布于 2019-01-22 - 来自专栏机器学习算法与Python学习
机器学习(5) -- 模型评估与选择
我们将这种方式称为机器学习诊断(Machine Learning Diagnostics)。机器学习诊断是一种测试法，能够深入了解某种算法到底是否有用。 Finally，Estimate generalization error of model using the test set 值得注意的是，在如今的机器学习应用中, 也有很多人是用测试集来选择模型 与多项式次数与误差类似，我们可以画出λ与误差的函数关系，如图6-5所示 ? 图6-5 λ与误差的关系 6.5 学习曲线(Learning Curves) 有时我们需要检查学习算法运行是否一切正常，或者希望改进算法的表现或效果，那么学习曲线(Learning Curves)就是一种很好的工具 并且，我们可以使用学习曲线来判断某一个学习算法是否处于偏差，方差问题或是二者皆有。下面我们就来介绍学习曲线。 学习曲线和图6-5类似，它们的区别在于学习曲线是以训练集的大小m为横坐标。
96250发布于 2018-04-04
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