机器学习基础

头歌机器学习实战day1

机器学习基础关键术语机器学习是利用数据，从数据中归纳出规律，并用来对新事物进行预测。
鼠鼠射手·2022-11-25 14:04

机器学习（1）机器学习基础 && 鸢尾花数据集

目录一、机器学习基础理论1、机器学习过程2、机器学习分类3、数据集返回值介绍二、鸢尾花数据集（实战）1、首先是获取数据集2、显示数据集信息（可以不要）三、数据集划分1、数据集划分API2、代码及效果总代码一
_睿智_·2022-11-25 13:19

【机器学习基础】回归相关指标优化

作者:尘沙杰少、谢嘉嘉、DOTA、有夕赛题理解，分析，规划之回归相关指标优化此处我们列举kaggle过往几年中，在回归问题中经常出现的一些评估指标，因为在数据竞赛中我们更多的是考虑在特定评测指标下如何对我们的指标进行优化来提升线上的排名，所以此处我们不对这些指标的合理性进行探讨，有兴趣的可以去google上探讨相应指标在实践生产中的合理性。在下面的篇章中，我们会给出回归问题类的竞赛中各类评估指标以
风度78·2022-11-25 11:28

机器学习基础：神经网络——感知机

目录1.表示学习2.生物神经元V.S.人造神经元3.感知机3.1训练感知机3.2激活函数3.3一层感知机3.4多层感知机3.4.1隐藏层神经元数量选择3.4.2隐藏层如何学习参数3.4.3多层感知机的性质3.4.4多层感知机总结1.表示学习表示学习（representationLearning）是神经网络的一个常见应用：表示学习的基本思路，是找到对于原始数据更好的表达，以方便后续任务（比如分类）。
小羊和小何·2022-11-25 10:53

机器学习建模方法和KNN算法

机器学习基础（三）sklearn数据处理和模型评价数据切分模型评价KNN算法算法流程距离度量kd树代码实现模型调优交叉验证超参数搜索-网格搜索sklearn数据处理和模型评价数据切分在机器学习中，算法模型是根据数据拟合出来的结果
想要快乐的小张·2022-11-24 12:40

【02】机器学习基础知识总结

常见的机器学习算法回归算法聚类算法正则化方法决策树学习贝叶斯方法基于核的算法聚类算法关联规则学习人工神经网络深度学习降低维度算法集成算法机器学习分类根据数据类型的不同，对一个问题的建模有不同的方式。依据不同的学习方式和输入数据，机器学习主要分为以下四种学习方式。1监督学习（有数据，有标签），数据映射标签特点：监督学习是使用已知正确答案的示例来训练网络。已知数据和其一一对应的标签，训练一个预测模型，
weixin_47082769·2022-11-24 10:55

机器学习基础——损失函数与风险函数

机器学习的目标是从模型的假设空间中选取最优的模型，其具体的策略有经验风险最小化和结构风险最小化。下面简单介绍损失函数和风险函数的相关概念。参考自李航《统计学习方法》。损失函数损失函数(lossfunction)用来预测模型单次预测的好坏，即模型的预测值f(X)和真实值Y之间的差别，记作L(Y,f(x))。损失函数越小，表示模型预测越准确。机器学习常用的损失函数有：（1）0-1损失函数（2）平方损失
本初-ben·2022-11-24 07:15

机器学习基础 EM算法

文章目录一、初识EM算法二、EM算法介绍1.极大似然估计1.1问题描述1.2用数学知识解决现实问题1.3最大似然函数估计值的求解步骤2.EM算法实例描述3.EM算法流程三、EM算法实例1.一个超级简单的案例2.加入隐变量z后的求解2.1EM初级版2.2EM进阶版3.小结一、初识EM算法EM算法也称期望最大化（Expectation-Maximum,简称EM）算法。它是一个基础算法，是很多机器学习领
落花雨时·2022-11-24 07:43

小小白深度学习笔记（八）：机器学习基础

因为刚从机器学习转向深度学习研究，想借助keras之父——弗朗索瓦的书重新梳理下机器学习基本知识及需要注意的事项，通篇文章大部分内容及配图截取自书中第四章内容，自己也对书中代码进行亲自测试，做了一些自己的结构模型图。读完受益匪浅，获益良多。在此整理一番，希望更多地初学者能有所收获，如有侵权，请联系本人。1.机器学习的四个分支相信很多读者已经很熟悉了主要的机器学习问题：二分类问题，多分类问题和标量回
穿牛仔的Runner·2022-11-24 06:13

python常用函数与机器学习基础知识记录

np.unique()交叉熵理解：SOFTMAX_CROSS_ENTROPY,BINARY_CROSS_ENTROPY,SIGMOID_CROSS_ENTROPY简介神经网络优化器讲解神经网络中的优化器(tensorflow2.0)PyTorch：torch.nonzero——非零元素的定位【学习笔记】pytorch中squeeze与unsqueeze函数区别linux下screen的新建、删除、
自信的小螺丝钉·2022-11-24 04:21

机器学习基础（四）预测方法（分类&回归）概述

预测问题任务描述任务目标：总体来说，分类问题与回归问题的目的是一致的，都是为了预测根据预测目标不同，可以将预测问题分为以下三类分类：预测目标值无顺序意义且为有限个数离散量预测目标值只有单纯的类别区别，各类之间的差距一致（只有相同和不同的差别）回归：预测目标值为有顺序意义的连续变量取值范围为任意实数序回归：预测目标值为有顺序意义的有限个数离散变量例如：评价（非常满意、满意、一般、不满意、非常不满意）
Guanxiong He·2022-11-24 04:22

机器学习基础随笔（7）反向传播

BackpropagationBackpropagation(反向传播)，就是告诉我们用gradientdescent来train一个neuralnetwork的时候该怎么做，它只是求微分的一种方法，而不是一种新的算法GradientDescentgradientdescent的使用方法，跟前面讲到的linearRegression或者是LogisticRegression是一模一样的，唯一的区别
追求大牛之人·2022-11-24 00:25

机器学习基础随笔（10）

TipsforDeepLearning本文会顺带解决CNN部分的两个问题：1、maxpooling架构中用到的max无法微分，那在gradientdescent的时候该如何处理？2、L1的Regression到底是什么东西本文的主要思路：针对trainingset和testingset上的performance分别提出针对性的解决方法1、在trainingset上准确率不高：newactivati
追求大牛之人·2022-11-24 00:25

【机器学习基础】机器学习的常用数学符号

作者：小雨姑娘，康涅狄格大学，Datawhale成员这三天复现一个论文实验结果不正确，一直找不到原因，后来发现是自己把当成了。如果你到现在搞不懂这两个符号的区别，这问题就跟学英语记不住周一到周日的正确拼写一样严重，那么就非常有必要花3分钟跟着这篇文章复习一遍。这篇文章的主要内容来自_MathematicalNotation:AGuideforEngineersandScientistsbyEdwa
风度78·2022-11-23 19:42

深度学习 | 《深度学习》“花书”知识点笔记

文章目录深度学习第一章前言第一部分应用数学与机器学习基础第二章线性代数2.1标量，向量，矩阵和张量2.2矩阵和向量相乘2.3单位矩阵和逆矩阵2.4线性相关和生成子空间2.5范数2.6特殊类型的矩阵和向量
JUST LOVE SMILE·2022-11-23 13:49

机器学习基础—集成学习Task11（XGB & LGB）

导语：本次任务的主题是“XGB&LGB算法的原理与实践”。学习链接：集成学习:EnsembleLearning项目-github.1.XGBoost原理1.1基本原理XGBoost是陈天奇等人开发的一个开源机器学习项目，高效地实现了GBDT算法并进行了算法和工程上的许多改进，被广泛应用在Kaggle竞赛及其他许多机器学习竞赛中并取得了不错的成绩。XGBoost本质上还是一个GBDT，但是力争把速度
0cp·2022-11-23 11:31

【python机器学习基础教程】（二）

监督学习监督学习算法朴素贝叶斯分类器朴素贝叶斯分类器通过单独查看每个特征来学习参数，并从每个特征中收集简单的类别统计数据。scikit-learn中实现了三种朴素贝叶斯分类器：GaussianNB、BernoulliNB和MultinomialNB。GaussianNB可应用于任意连续数据，而BernoulliNB假定输入数据为二分类数据，MultinomialNB假定输入数据为计数数据（即每个特
仿生程序员会梦见电子羊吗·2022-11-23 07:18

机器学习实战

第一部分介绍的是机器学习基础，带领读者了解一些关键术语、机器学习的主要任务、如何选择合适的算法解决问题，还有如何开发机器学习应用程序。第二部分主要讲的是K-近邻算法。
深度学习视觉·2022-11-23 06:15

机器学习基础---回归方法---支持向量回归（SVR）

支持向量回归（SVR）方法描述核心思想：用线性模型（f(x)=wTx+bf(x)=w^Tx+bf(x)=wTx+b）对回归问题进行拟合确定的线性模型对应w，bw，bw，b唯一确定一个超平面wTx+b=0w^Tx+b=0wTx+b=0不同于一般线性模型，在超平面两侧定义间隔ϵ\epsilonϵ，在间隔带内则不计算损失，当且仅当f(x)与y之间的差距的绝对值大于ϵ\epsilonϵ才计算损失通过最大化
Guanxiong He·2022-11-23 06:14

机器学习基础（六）——逻辑回归Logistic Regression

文章目录LogisticRegression1.基础概念1.1对数似然损失函数1.2完整的损失函数2.逻辑回归算法API3.LogisticRegression回归案例LogisticRegression1.基础概念逻辑回归是用来做二分类任务的，输出为：hθ(x)=g(θTx)=11+e−θTxh_\theta(x)=g(\theta^Tx)=\frac{1}{1+e{-\theta^Tx}}hθ
Bayesian小孙·2022-11-23 06:58

《深度学习》 第5章 机器学习基础

《深度学习》第5章机器学习基础深度学习是机器学习的一个特定分支。机器学习本质上属于应用统计学，更多地关注于如何用计算机统计地估计复杂函数，不太关注为这些函数提供置信区间。
TifaBest·2022-11-23 03:03

python决策树剪枝_机器学习基础：可视化方式理解决策树剪枝

阅读本文前，可以顺便回顾一下前文：机器学习基础：决策树的可视化剪枝如果不对决策树设置任何限制，它可以生成一颗非常庞大的树，决策树的树叶节点所覆盖的训练样本都是“纯”
weixin_39640687·2022-11-22 22:13

神经网络（深度学习）（笔记）

最近在自学图灵教材《Python机器学习基础教程》，在csdn以博客的形式做些笔记。一类被称为神经网络的算法最近以“深度学习”的名字再度流行。
叫Lzy·2022-11-22 22:41

机器学习基础---pr曲线的绘制

一、举个例子总共有8个西瓜，有一个分类器，它的预测情况如下表设置不同阈值时，将得到不同的P值（Precision，查准率）和R值（Recall，查全率）二、解释Precision-查准率-预测出来的正例中正确的比例---找得对Recall-查全率-衡量正例被预测出来的比例---找得全在机器学习中分类器往往输出的不是类别标号，而是属于某个类别的概率值，根据分类器的预测结果从大到小对样例进行排序，逐个
cpp_1211·2022-11-22 19:43

python基础教程四级查数据_《Python机器学习基础教程》四、数据表示与特征工程...

*本章讨论了如何处理不同的数据类型（特别是分类变量）。强调了使用适合机器学习算法的数据表示的重要性，例如one-hot编码过的分类变量。还讨论了通过特征工程生成新特征的重要性，以及利用专家知识从数据中创建到处特征的可能性。特别是线性模型，可能会从分箱、添加多项式和交互项而生成的新特性中大大受益。对于更加复杂的非线性模型（比如随机森林和SVM），在无需显式扩展特征空间的前提下就可以学习更加复杂的任务
weixin_39929465·2022-11-22 19:22

TensorFlow：机器学习基础

目录在这本次实验中，我们将概述TensorFlow的基础知识，了解它的结构并查看使用它的动机TensorFlow如何工作？建立一个图表使用TensorFlow定义多维数组为什么要测量张量？变量占位符操作练习题TensorFlow如何工作？TensorFlow在不同设备（如CPU和GPU）上执行代码的能力是其特定结构的结果：TensorFlow将计算定义为图形，并且这些都是用操作（也称为“ops”）
笑天歌·2022-11-22 17:09

机器学习基础：朴素贝叶斯及经典实例讲解

点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达原文连接：https://www.cnblogs.com/lliuye/p/9178090.htmlhttps://www.cnblogs.com/huangyc/p/10327209.html朴素贝叶斯法（NaiveBayes）是基于贝叶斯定理与特征条件独立假设的分类方法。对于给定的训练数据集，首先基于特征条件独立假设学习输入
小白学视觉·2022-11-22 14:08

鸢尾花分类(代码实现)----python机器学习基础教程

train)与测试集(test)Step3：观察数据图(以pandas库生成数据图表)Step4：构建模型训练数据----K近邻算法Step5：输入数据做出预测Step6：评估模型前言此案例是《python机器学习基础教程
Gaolw1102·2022-11-22 13:17

机器学习基础算法---K近邻

机器学习基础算法—K近邻机器学习1.机器学习概述概述：机器学习能让我们从数据中获得启发，换句话说，我们会利用计算机来彰显数据背后的真实含义，这是机器学习的真实含义。
翠小白·2022-11-22 09:43

机器学习基础——k近邻法

k近邻的思想对给定的训练数据和输入数据，首先确定输入数据的k个最近邻训练点，然后依据这k个训练点多数所属的类来预测输入数据的类。k近邻法三要素距离度量、k值选择、分类决策规则距离度量最一般的形式为LpL_pLp距离，即两个向量作差的ppp范数,x1=(a1,a2,...,an),x2=(b1,b2,...,bn)x_1=(a_1,a_2,...,a_n),x_2=(b_1,b_2,...,b_n)
Jokic_Rn·2022-11-22 09:42

机器学习基础模型

文章目录朴素贝叶斯——概率模型朴素贝叶斯分类原理贝叶斯定理的公式朴素贝叶斯的优缺点以及优化决策树——不需要进行归一化决策树基本模型介绍？决策树的特性？信息增益和信息增益比？有什么不同（信息增益作为分类指标有什么问题）？决策树如何进行分类？特征是如何选的？CART树决策树分类停止条件是什么？决策树如何进行剪枝？决策树处理连续值的方法？决策树处理缺失值的方法？（看不懂可以查看周志华《机器学习》P86页
snowy19130140·2022-11-22 09:05

机器学习基础-1

第1周文章目录第1周@[toc]引言(Introduction)毕设项目演示地址:[链接](https://space.bilibili.com/364224477)毕业项目设计代做项目方向涵盖：1.1欢迎1.2机器学习是什么？1.3监督学习1.4无监督学习二、单变量线性回归(LinearRegressionwithOneVariable)2.1模型表示2.2代价函数2.3代价函数的直观理解I2.
qq_1041357701·2022-11-22 08:01

机器学习基础

机器学习和大数据的区别和联系首先，回顾大数据的4V特征：数据量大TB-PB-ZBHDFS分布式文件系统数据种类多结构化数据-Mysql为主的存储和处理非结构化数据-文本、图像、音频-HDFS、MR、Hive半结构化数据-XML、HTML形式-HDFS、MR、Hive、Spark速度快数据的增长速度快-TB-PB-ZB-HDFS数据的处理的速度快MR-HIVE-PIG-Impala(离
erainm·2022-11-22 03:40

线性回归(笔记)

最近在自学图灵教材《Python机器学习基础教程》，在csdn以博客的形式做些笔记。
叫Lzy·2022-11-21 23:44

机器学习算法基础-day01

1.1数据的来源与类型1.2数据的特征抽取1.2.1分类特征变量提取1.2.2文本特征提取1.2.3one-hot编码分析1.3数据的特征预处理1.3.1单个特征1.3.2多个特征1.4数据的特征选择2.机器学习基础
weixin_47049321·2022-11-21 21:12

机器学习基础课 (3)：机器学习案例之K-近邻（附详细python代码注释）

数据集Sklearn数据集数据集划分接口介绍（API）分类数据集回归数据集特征工程的步骤实例化（实例化的是一个转换器类）用fit_transform获得转换后的数据集转化器和估计器转化器Fit_transform():输入数据直接转换=Fit()输入数据+Transform（）：数据转换。如果fit和transform的样本不同，那得到的结果也会改变。估计器估计器：实现了算法API分类的估计器：s
Y_蒋林志·2022-11-21 21:38

【机器学习基础】概率分布之高斯分布

本系列为《模式识别与机器学习》的读书笔记。一，多元高斯分布考虑⾼斯分布的⼏何形式，⾼斯对于x\boldsymbol{x}x的依赖是通过下⾯形式的⼆次型：Δ2=(x−μ)TΣ−1(x−μ)(2.30)\Delta^{2}=(\boldsymbol{x}-\boldsymbol{\mu})^{T}\boldsymbol{\Sigma}^{-1}(\boldsymbol{x}-\boldsymbol{\
天堂的鸽子·2022-11-21 16:50

基于scikit-learn的鸢尾花分类实例

基于scikit-learn的鸢尾花分类实例代码参考书籍：Python机器学习基础教程.AndreasC.muller,SarahGuido著（张亮译）.北京：人民邮电出版社，2018.1(2019.6
技术无极限·2022-11-21 15:54

机器学习基础01--scikit-learn库的运用使用库中的数据集与make_blobs/moons/circles的使用

概念：scikit-learn是Python中最重要的机器学习模块之一。它基于Scipy库，在不同的领域中已经发展出大量基于Scipy的工具包，它们被统一称为Scikits，其中最著名的一个分支就是scikit-learn。它包含众多的机器学习算法，主要分为六大类：分类、回归、聚类、数据降维、模型选择和数据预处理。使用Scikit--Learn库中的数据集数据集名称调用方式适用算法鸢尾花数据集lo
Alex_fxb·2022-11-21 12:04

机器学习基础02——K-近邻算法（knn）算法的使用

K-近邻的基本思想K-近邻算法是一种简单的有监督学习，它即可以解决分类问题也可以解决回归问题，这里是尝试使用它解决分类问题。K-近邻算法的直接思想就是测试样本在特征空间中选取k个最邻近的样本中，大多数样本属于哪个类别，测试样本就属于哪个类别。KNN算法的工作步骤：1、计算测试数据与各个训练数据之间的距离2、按照距离升序排序，选取距离最近的k个点3、计算距离最近的k个点所属类别出现的频率4、返回这k
Alex_fxb·2022-11-21 12:04

详解机器学习基础--线性回归算法

线性回归解决了什么？线性回归算法可以帮助解决回归问题，对处理回归问题有着天然的优势，线性回归算法虽然简单，但是对于处理回归问题还是有着比较好的作用线性回归算法思想简单，实现容易，结果具有较好的解释性，也就是我们可以通过线性回归训练的参数用来解释我们的特征数据简单线性回归：公式：y=ax+b为了表达我们的预测值y^(i)与真实值y(i)的差距，我们采取损失函数的做法损失函数：Σ(y(i)-y^(i)
quzah·2022-11-21 02:26

01 课程安排【动手学深度学习】

目标介绍深度学习经典和最新模型LeNet，ResNet，LSTM，BERT机器学习基础损失函数，目标函数，过拟合，优化实践使用pytorch实现介绍的知识点在真实数据上体验算法效果内容深度学习基础——线性神经网络
进击的reader·2022-11-21 00:18

机器学习基础

什么是机器学习？定义：系统通过学习如何组合输入信息来对从未见过的数据做出有用的预测处理某个特定的任务，以大量的经验为基础。对任务完成的好坏给予一定的评判标准。通过分析经验数据，使任务完成的更好。生活我们解决问题基本是靠发现一件事物的规律，然后来预测它未来呈现的结果在机器学习中，我们用某一个模型来预测事物的属性。基本术语：数据集：数据记录的集合称为一个数据集样本：数据集中每条记录是关于一个事件或对象
c站我老板·2022-11-21 00:35

机器学习基础篇（十一）——主成分分析法

机器学习基础篇（十一）——主成分分析法一、简介当我们对含有多个变量的数据进行观测时，我们会收集大量的数据然后分析他们。大样本的数据集固然提供了丰富的信息，但是在一定程度上增加了问题的复杂性。
柚子味的羊·2022-11-20 23:06

机器学习基础——分类算法之决策树、随机森林、Titanic乘客生存分类

目录1认识决策树1.1信息增益、信息熵的计算1.2举例计算编辑1.3决策树的分类依据1.4sklearn决策树API2泰坦尼克号乘客生存分类2.1案例背景2.2数据描述2.3步骤分析2.4代码实现2.4.1调入包2.4.1数据处理2.4.2估计器流程2.4.3导出决策树的结构3决策树的优缺点及改进4集成学习方法——随机森林4.1集成学习方法4.2随机森林4.3随机森林建立多个决策树过程4.4随机森
chelsea_tongtong·2022-11-20 14:55

机器学习基础（五）——线性回归/岭回归/lasso回归

文章目录线性回归和岭回归、Lasso回归一、基础概念二、sklearn线性回归API三、线性回归实例（加州房价数据集分析流程）3.1正规方程预测3.2梯度下降预测3.3岭回归3.4Lasso回归线性回归和岭回归、Lasso回归一、基础概念线性回归的本质就是：y=wTx+by=w^Tx+by=wTx+b求解:wTw^TwT(wT,b)(w^T,b)(wT,b)是系数（coefficient），xxx
Bayesian小孙·2022-11-20 13:29

机器学习基础——线性回归、过拟合和欠拟合、岭回归和Lasso回归

目录1回归算法1.1线性回归1.2线性关系1.3线性关系模型1.4损失函数2优化算法2.1正规方程2.2梯度下降法(迭代）3sklearn线性回归正规方程、梯度下降API4、scikit-learn和tensorflow比较5、线性回归实例5.1波士顿房价数据解释5.2数据案例分析流程5.3代码实现5.3.1调入包5.3.2处理数据集5.3.3估计器5.3.4自我检验5.3.4均方误差检验5.4线
chelsea_tongtong·2022-11-20 13:54

GAT 算法原理介绍与源码分析

)广而告之一.文章信息二.核心观点三.核心观点解读四.源码分析4.1GraphAttentionLayer4.2GAT网络五.总结零.前言(与正文无关,请忽略)对自己之前分析过的文章做一个简单的总结:机器学习基础
珍妮的选择·2022-11-20 13:38

【学习笔记】《Python深度学习》第四章：机器学习基础

文章目录1机器学习的四个分支1.1监督学习1.2无监督学习1.3自监督学习1.4强化学习2评估机器学习模型2.1训练集、验证集和测试集2.2注意事项3数据预处理、特征工程和特征学习3.1神经网络的数据预处理3.2特征工程4过拟合与欠拟合4.1减小网络大小4.2添加权重正则化4.3添加dropout正则化5机器学习的通用工作流程5.1定义问题，收集数据集5.2选择衡量成功的指标5.3确定评估方法5.
Schanappi·2022-11-20 11:19

【机器学习基础】范数与正则化

前言本文讨论了机器学习中正则化这个话题，对于L1正则项为什么稀疏也是面试中经常涉及的。概要正则化是机器学习中防止过拟合的一种重要技术。从数学上讲，它增加了一个正则化项，以防止系数如此完美地拟合而过度拟合。为什么需要正则化定义样本，为样本空间，模型函数，故预测值为，损失函数为。因此机器学习的训练过程可以转换为一个在泛函空间内，找到一个使得全局损失最小的模型，此时的损失函数又叫做「经验风险」（empi
风度78·2022-11-20 10:39
上一页 9 10 11 12 13 14 15 16 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他