- 综合排序
- 最热优先
- 最新优先
- 来自专栏MiningAlgorithms
机器学习7：集成学习--XGBoost
对于特征的值有缺失的样本，xgboost可以自动学习出它的分裂方向。 7. xgboost工具支持并行。boosting不是一种串行的结构吗?怎么并行的？ RF和Bagging对比：RF的起始性能较差，特别当只有一个基学习器时，随着学习器数目增多，随机森林通常会收敛到更低的泛化误差。 划分训练集、测试集 myDatas.data,myDatas.target, #load_iris的原始数据集 test_size = 0.3, random_state = 7 ，找一个最合适的学习率 #设几个不同学习率的列表，后面来遍历它，看哪个学习率下分类精确度最高，就用哪个学习率代回模型重新建模 learning_rate=[0.0001,0.001,0.1,0.2,0.3 ] #这次使用交叉验证（交替充份使用有限数据）划分数据集 #实例化交叉验证类 kfold = StratifiedKFold(n_splits=2,shuffle=True,random_state=7)
2.2K20发布于 2019-08-08 - 来自专栏数据科学与人工智能
【机器学习】机器学习工作职位需要的7项技能
机器学习经常与人工智能紧密相连,在不考虑显式编程的情况下,机器学习可以使计算机具备完成特定任务的能力,例如识别,诊断,规划,机器人控制和预测等。 在某种程度上,机器学习与数据挖掘很相似。它们都是通过数据来获取模式。然而,与人类可理解的数据提取方式不同—通常是按照数据挖掘应用的方式——机器学习主要是使用数据去提升程序本身的理解能力。 机器学习程序能够在数据中检测出相关模式并相应的进行程序行为的调整。 现在,你是否准备去了解一些获得机器学习工作必备的技术了呢? 此外,机器学习还需要求职 者具有与生俱来的好奇心,因此,如何你从来没有失去过自孩童时代就有的好奇心, 那么,你就能顺理成章在机器学习领域取得成就。这里详细的列出一个的必备的技能清单 1. 学习时频分析技术,并用它来解决你的问题。如果你还不知道傅里 叶分析和卷积原理,你同样也需要学习这些知识。二进制码信号处理技术是解决问题 的重要方法。 7.
82191发布于 2018-02-27 - 来自专栏SuperFeng
机器学习系列7：逻辑回归
这时候我们要学习一种新的算法去预测这种分类问题，它就是逻辑回归算法（Logistic Regression）。逻辑回归是一种分类算法。
47330发布于 2019-09-26 - 来自专栏深度学习和计算机视觉
机器学习的7个步骤
机器学习的应用正在迅速发展，已迅速成为医学，电子商务，银行等不同领域不可或缺的一部分。今天，我们将把机器学习分解为一个过程，并了解从开始到实现的所有步骤。它的实际应用。 ? 机器学习的过程将在下面列出的7个步骤中进行细分。为了说明每个步骤的重要性和功能，我们将使用一个简单模型的示例。该模型将负责区分苹果和橙子。机器学习能够胜任复杂任务。 这就是为什么要确保机器学习模型的商业成功，超参数调整是必不可少的步骤。 步骤7：预测 机器学习过程的最后一步是预测。在此阶段，我们认为模型已准备就绪，可以用于实际应用。 预测步骤是最终用户在各自行业中使用机器学习模型时看到的内容。这一步凸显了为什么许多人认为机器学习是各个行业的未来。复杂但执行良好的机器学习模型可以改善其各自所有者的决策过程。 结论 借助机器学习，我们可以确定如何区分苹果和橘子，尽管听起来可能并不令人印象深刻，但是对于大多数机器学习模型而言，我们采取的步骤都是相同的。
1.7K10发布于 2021-05-10 - 来自专栏CSDN博客
机器学习的7个步骤
机器学习的应用正在迅速发展，已迅速成为医学，电子商务，银行等不同领域不可或缺的一部分。今天，我们将把机器学习分解为一个过程，并了解从开始到实现的所有步骤，以及其实际应用。 机器学习的过程将在下面列出的7个步骤中进行细分，为了说明每个步骤的重要性和功能，我们将使用一个简单模型的示例。该模型将负责区分苹果和橙子。机器学习能够胜任复杂任务。 这就是为什么要确保机器学习模型在商业上取得成功，超参数调整是必不可少的步骤。 ---- 步骤7：预测 机器学习过程的最后一步是预测。在此阶段，我们认为模型已准备就绪，可以用于实际应用。 预测步骤是最终用户在各自行业中使用机器学习模型时看到的内容。这一步凸显了为什么许多人认为机器学习是各个行业的未来。复杂但执行良好的机器学习模型可以改善各自所有者的决策过程。 ---- 结论 在机器学习的帮助下，尽管听起来不算是一个令人印象深刻的模型，但我们能够确定如何区分香蕉和橘子，但对于大多数机器学习模型，我们采取的步骤都是相同的。
5.4K00发布于 2020-06-10 - 来自专栏用户2442861的专栏
机器学习系列(7)_机器学习路线图（附资料）
恩，这些功能的核心算法就是机器学习领域的内容。 套用一下大神们对机器学习的定义，机器学习研究的是计算机怎样模拟人类的学习行为，以获取新的知识或技能，并重新组织已有的知识结构使之不断改善自身。 但是越说越觉得机器学习有距离感，云里雾里高深莫测，我们不是专家，但说起算有一些从业经验，做过一些项目在实际数据上应用机器学习。 机器学习关注问题 并非所有的问题都适合用机器学习解决(很多逻辑清晰的问题用规则能很高效和准确地处理)，也没有一个机器学习算法可以通用于所有问题。 机器学习: scikit-learn：远近闻名的机器学习package。未必是最高效的，但是接口真心封装得好，几乎所有的机器学习算法输入输出部分格式都一致。 更多详细的应用请参考这篇文章《25个Java机器学习工具&库》 C++系列 mlpack，高效同时可扩充性非常好的机器学习库。 Shark：文档齐全的老牌C++机器学习库。
1.1K21发布于 2018-09-20 - 来自专栏数据科学与人工智能
【机器学习】机器学习实践中的7种常见错误
本文作者是 Codecademy 的分析主管 Cheng-TaoChu，其专长是数据挖掘和机器学习，之前在 Google、LinkedIn和Square就职。 ---- 统计建模非常像工程学。 7.将线性或逻辑回归模型的系数绝对值解释为特征重要性 因为很多现有线性回归量为每个系数返回P值，对于线性模型，许多实践者认为，系数绝对值越大，其对应特征越重要。 这下你就知道了机器学习实践中的七种常见错误。这份清单并不详尽，它只不过是引发读者去考虑，建模假设可能并不适用于手头数据。
1K70发布于 2018-02-27 - 来自专栏AI机器学习与深度学习算法
机器学习入门 7-7 试手MNIST数据集
本系列是《玩转机器学习教程》一个整理的视频笔记。本小节使用更大更正规的手写识别数据集MNIST数据集，使用sklearn导入MNIST数据集并使用kNN算法对MNIST数据集进行分类。 它是机器学习领域的一个经典数据集，其历史几乎和这个领域一样长，被称为机器学习领域的"Hello World"。因此像sklearn和tensorflow这种机器学习框架都内置了MNIST数据集。 sklearn的datasets中有一个专门的方法fetch_mldata，通过这个方法可以从一个官网上下载各式各样的机器学习数据集，传入的参数字符串"MNIST original"表示我们要下载的是MNSIT 按照正常的机器学习流程，得到数据集之后需要使用train_test_split方法对其进行划分，划分一定比例的训练集以及测试集，但是对于MNIST数据集而言，已经帮我们划分好的训练集和测试集，我们只需要对 同时通过mnist中关于data和target的描述可以看出，它们数组类型都是int，因此为了方便机器学习的过程，在切片过程中，显示的指定ndarray数组类型为float浮点型。
2.8K10发布于 2019-11-13 - 来自专栏小鹏的专栏
机器学习-7：MachineLN之激活函数
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.
54830编辑于 2022-05-09 - 来自专栏趣Python
机器学习（7）Logistic Regression逻辑回归
敌对的 7.humanistic [human n.
1K40发布于 2020-06-03 - 来自专栏NowlNowl_AI
机器学习第7天：逻辑回归
在这个值的两端进行分类 逻辑回归的损失函数 单个实例的成本函数 当p>=0.5时 当p<0.5时 整个训练集的成本函数 这个损失函数也是一个凸函数，可以使用梯度下降法使损失最小化 鸢尾花数据集上的逻辑回归 鸢尾花数据集是机器学习中一个经典的数据集
40510编辑于 2024-01-18 - 来自专栏AI机器学习与深度学习算法
机器学习入门 13-7 Stacking
Stacking 是另外一种集成学习方法。 训练 Stacking 了解了 Stacking 集成学习方法，那要如何训练一个 Stacking 集成学习的分类器呢？ 正因为如此，Stacking 这种集成学习模型可能会很复杂，所以 Stacking 非常容易过拟合。 Sklearn 实现 Stacking Sklearn 中并没有提供 Stacking 集成学习的接口。 References： Python3入门机器学习 经典算法与应用: https://coding.imooc.com/class/chapter/169.html#Anchor
83460编辑于 2022-04-27 - 来自专栏机器学习算法工程师
《机器学习》笔记-贝叶斯分类器（7）
作者：刘才权 编辑：陈人和 前 言 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。 从这个角度来看，机器学习所要实现的是基于有限的训练样本尽可能准确的估计出后验证概率P(c|x)。
95860发布于 2018-03-30 - 来自专栏机器学习算法与Python学习
机器学习(7) -- k-means 聚类
Initialization 9.5 Choosing the Number of Clusters 9.1 Supervised Learning and Unsupervised Learning 我们已经学习了许多机器学习算法 我们把使用带有标记的训练样本进行学习的算法称为监督学习(Supervised Learning)。监督学习的训练样本可以统一成如下形式，其中x为变量，y为标记。 ? 所以我们需要对无标记的训练样本进行学习，来揭示数据的内在性质及规律。我们把这种学习称为无监督学习(Unsupervised Learning)。所以，无监督学习的训练样本如下形式，它仅包含特征量。 图9-1形象的表示了监督学习与无监督学习的区别。 quora上有更多关于监督学习与无监督学习之间的区别的讨论。 ?
1.6K50发布于 2018-04-04 - 来自专栏AI机器学习与深度学习算法
机器学习入门 10-7 ROC曲线
——俾斯麦 全文字数：4101字 阅读时间：12分钟 前言 本系列是《玩转机器学习教程》一个整理的视频笔记。本小节主要介绍描述TPR和FPR两个指标的ROC曲线，并通过编程绘制ROC曲线。
2.3K10发布于 2020-05-14 - 来自专栏数据科学与人工智能
机器学习特征工程的7个技巧
7. 直觉和额外的特征 针对原始数据，可以利用自己的特长手动或自动生成直觉和额外的特征。比如文本问题，可以写个自动算法生成单词长度、元音个数、n-gram等等。 数据分析师可能会发现噪声中的信号。
1.6K100发布于 2018-02-28 - 来自专栏机器学习算法与Python学习
机器学习(7)之感知机python实现
关键字全网搜索最新排名 【机器学习算法】：排名第一 【机器学习】：排名第二 【Python】：排名第三 【算法】：排名第四 感知器PLA是一种最简单，最基本的线性分类算法（二分类）。 算法选择，最终的目标是求损失函数的最小值，利用机器学习中最常用的梯度下降GD或者随机梯度下降SGD来求解。 SGD算法的流程如下：输入训练集和学习率 1、初始化w0，b0，确定初始化超平面，并确定各样例点是否正确分类（利用yi和wx+b的正负性关系）； 2、随机在误分类点中选择一个样例点，计算L关于w和b在该点处的梯度值 PLA是一个很基本的算法，应用场景很受限，只是作为一个引子来了解机器学习，后面有很多高级的算法，比如SVM和MLP，以及大热的deep learning，都是感知器的扩展。 ，算法流程如下：输入训练集，学习率 1、 ； 2、随机选取误分类点对，并更新计算 ，具体更新，依据上面的表达式； 3、直至没有误分类点，停止计算，返回相应的参数； 原始问题和对偶问题都是严格可收敛的
1.9K51发布于 2018-04-04 - 来自专栏企鹅号快讯
深入机器学习系列7-Random Forest
按照此方式，我们可以采样出个含个训练样本的采样集，然后基于每个采样集训练出一个基本学习器，再将这些基本学习器进行结合。这就是的一般流程。 随机森林在以决策树为基学习器构建集成的基础上，进一步在决策树的训练过程中引入了随机属性选择。 可以看出，随机森林对只做了小改动，但是与中基学习器的“多样性”仅仅通过样本扰动（通过对初始训练集采样）而来不同，随机森林中基学习器的多样性不仅来自样本扰动，还来自属性扰动。 这使得最终集成的泛化性能可通过个体学习器之间差异度的增加而进一步提升。 取得每个树所有需要切分的节点 选中最优切分 5.2 预测分析 在利用随机森林进行预测时，调用的predict方法扩展自TreeEnsembleModel，它是树结构组合模型的表示，其核心代码如下所示： 参考文献 【1】机器学习
1.7K60发布于 2018-03-05 - 来自专栏数据科学（冷冻工厂）
297个机器学习彩图知识点（7）
参数化建模 7. 偏导数 8. 相关系数 9. 感知机学习 10. 感知机 11. 普拉托变换 12. 多项式回归 13. 幂函数求导 14. 精确度 15. 数据集 16.
25620编辑于 2023-02-27 - 来自专栏啄木鸟软件测试
机器学习测试笔记（7）——可视化
sns.distplot(a,bins=None, hist=True, kde=True, rug=False, fit=None, hist_kws=None,kde_kws=None, rug_kws=None, fit_kws=None, color=None, vertical=False,norm_hist=False, axlabel=None, label=None, ax=None)
59810发布于 2021-01-04
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