机器学习基础

机器学习基础 LR学习

1LR是什么？LR全称LogisticRegression，逻辑回归。虽然名称中带有回归。逻辑回归，可以做分类的事情，也可以做回归的事情。通常来讲，机器学习分为分类和回归两种模型，分类做的是离散值的预测，比如0，1，真，假等，回归做的是连续值的预测，比如概率，温度等。例如：用逻辑回归实现一个猫分类器，输入一张图片x，预测图片是否为猫，输出该图片中存在猫的概率结果y。LogisticRegressi
一枚程序员·2022-04-20 07:34

二、机器学习基础11（点估计）

点估计：用实际样本的一个指标来估计总体的一个指标的一种估计方法。点估计举例：比如说，我们想要了解中国人的平均身高，那么在大街上随便找了一个人，通过测量这个人的身高来估计中国人的平均身高水平；或者在淘宝上买东西的时候随便一次买到假货就说淘宝上都是假货等；这些都属于点估计。点估计主要思想：在样本数据中得到一个指标，通过这个指标来估计总体指标；比如我们用样本均数来估计总体均数，样本均数就是我们要找到的指
满满myno·2022-04-20 07:22

二、机器学习基础10

代价敏感错误率与代价曲线代价敏感错误率：其数学表达式为：代价曲线：在均等代价时，ROC曲线不能直接反应出模型的期望总体代价，而代价曲线可以。代价曲线横轴为[0,1]的正例函数代价;代价曲线纵轴维[0,1]的归一化代价。偏差与方差泛化误差可分解为偏差、方差与噪声之和，即generalizationerror=bias+variance+noise噪声：描述了在当前任务上任何学习算法所能达到的期望泛化
满满myno·2022-04-19 07:05

二、机器学习基础8（模型评估、欠拟合，过拟合）

模型评估分类模型常用评估方法回归模型常用评估方法经验误差与泛化误差误差（error）：一般地，我们把学习器的实际预测输出与样本的真实输出之间的差异称为“误差”经验误差（empiricalerror）：也叫训练误差（trainingerror）。模型在训练集上的误差。泛化误差（generalizationerror）：模型在新样本集（测试集）上的误差称为“泛化误差”。欠拟合、过拟合根据不同的坐标方式
满满myno·2022-04-19 07:35

python机器学习 二分类 混淆矩阵_机器学习基础概念2：数据集划分、混淆矩阵、测量指标、交叉验证、网格搜索...

回归和分类(regressionvsclassification)回归和分类都是监督学习的方法。分类(classification)问题是训练一个模型，用于预测定性(qualitative)的目标。回归(Regression)问题是训练一个模型，用于预测定量(quantitative)目标！两者都是建立一个描述输入(特征)与输出(标签)关系的模型，回归算法返回的是一个连续的值(value)，分类
植观的TT·2022-04-19 07:00

二、机器学习基础9(交叉验证、混淆矩阵、ROC)

交叉验证的主要作用为了得到更为稳健可靠的模型，对模型的泛化误差进行评估，得到模型泛化误差的近似值。当有多个模型可以选择时，我们通常选择“泛化误差”最小的模型。交叉验证的方法有许多种，但是最常用的是：留一交叉验证、k折交叉验证。混淆矩阵第一种混淆矩阵第二种混淆矩阵错误率及精度错误率（ErrorRate）：分类错误的样本数占样本总数的比例。精度（accuracy）：分类正确的样本数占样本总数的比例。查
满满myno·2022-04-19 07:13

人工智能笔记06 机器学习基础

什么是机器学习机器学习是从人工智能中产生的一个重要学科分支，是实现智能化的关键经典定义：利用经验改善系统自身的性能随着该领域的发展，其目前主要研究智能数据分析中的理论和方法，并已成为智能数据分析技术的源泉之一基本概念学习过程数据类编标记使用学习算法训练得到模型标记新数据样本基本术语监督学习、无监督学习数据集；训练；测试示例(instance)、样例（example)样本(sample)属性（att
JamSlade·2022-04-18 07:08

机器学习基础：奇异值分解（SVD）

SVD原理奇异值分解（SingularValueDecomposition）是线性代数中一种重要的矩阵分解，也是在机器学习领域广泛应用的算法，它不光可以用于降维算法中的特征分解，还可以用于推荐系统，以及自然语言处理等领域。有一个×的实数矩阵，我们想要把它分解成如下的形式：\(A
机器学习算法与Python·2022-04-16 10:00

二、机器学习基础7（PCA）

主成分分析（PCA）思想(1）PCA就是将高维的数据通过线性变换投影到低维空间上去。(2）投影思想：找出最能够代表原始数据的投影方法。被PCA降掉的那些维度只能是那些噪声或是冗余的数据。(3）去冗余：去除可以被其他向量代表的线性相关向量，这部分信息量是多余的。(4）去噪声，去除较小特征值对应的特征向量，特征值的大小反映了变换后在特征向量方向上变换的幅度，幅度越大，说明这个方向上的元素差异也越大，要
满满myno·2022-04-16 07:33

二、机器学习基础5

损失函数损失函数（Lossfunction）又叫做误差函数，用来衡量算法的运行情况.估量模型的预测值f(x)与真实值Y的不一致程度，是一个非负实值函数,通常使用来表示，损失函数越小，模型的鲁棒性就越好。损失函数是经验风险函数的核心部分，也是结构风险函数重要组成部分。常见的损失函数损失函数用来评价预测值和真实值不一样的程度。通常损失函数越好，模型的性能也越好。损失函数可分为经验风险损失函数和结构风险
满满myno·2022-04-15 07:55

二、机器学习基础6

计算图导数计算是反向传播，利用链式法则和隐式函数求导。线性判别分析（LDA）思想总结线性判别分析（LinearDiscriminantAnalysis，LDA）是一种经典的降维方法。和PCA不考虑样本类别输出的无监督降维技术不同，LDA是一种监督学习的降维技术，数据集的每个样本有类别输出。LDA分类思想简单总结如下：1）多维空间中，数据处理分类问题较为复杂，LDA算法将多维空间中的数据投影到一条直
满满myno·2022-04-15 07:20

二、机器学习基础4

代价函数通过代价函数获得参数，来寻找最优解的目标函数。常用平方差代价函数：假设函数平方误差代价函数：将实际数值与拟合数值做差。最优解即为代价函数的最小值。为什么代价函数要非负？只要设计的目标函数有下界，基本上都可以，代价函数非负更为方便。常见代价函数1.二次代价函数（quadraticcost）其中J表示代价函数，x表示样本，y表示实际值，a表示输出值，n表示样本的总数。2.交叉熵代价函数（cro
满满myno·2022-04-14 07:33

二、机器学习基础1

机器学习中常见算法回归算法、基于实例的算法、正则化算法、决策树学习、贝叶斯算法、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。四种机器学习方式监督学习已知数据与标签一一对应，输入数据映射到标签；常用于分类问题与回归问题场景；常见算法有逻辑回归（LogisticRegression）和反向传递神经网络（BackPropagationNeuralNetwork）
满满myno·2022-04-14 07:33

二、机器学习基础3

分类器指标评定一定正确率的前提下，具有较高召回率。大数据与深度学习大数据：超出常用软件工具捕获，管理和处理能力的数据集机器学习关心通过程序自我改进；数据挖掘关心从数据中提取模式，重点在于算法的应用。机器学习与数据挖掘的关系：数据挖掘是个过程，在此过程中机器学习算法被用作提取数据集价值的工具。大数据与深度学习关系：深度学习是一种模拟大脑的行为深度学习对大数据发展有所帮助深度学习转变了解决问题的思维大
满满myno·2022-04-14 07:33

机器学习基础知识

机器学习基础前言一、机器学习的定义1.什么是机器学习？1.什么是显著式编程？
HMhmumlee·2022-04-14 07:31

Python机器学习基础教程

Python机器学习教程第一章：对于机器学习，我们选择了Python第二章：了解SciPy、Pandas持续更新......
璃墟·2022-04-14 07:48

神经网络和机器学习基础入门分享

转自https://blog.csdn.net/eastmount/article/details/49591349最近在做知识图谱实体对齐和属性对齐中，简单用了下Word2vec谷歌开源代码。Word2vec是一个将单词表征成向量的形式，它可以把文本内容的处理简化为向量空间中的向量运算，计算出向量空间上的相似度，来表示文本语义上的相似度。Word2vec采用CBOW（ContinuousBag-
时代在召唤r·2022-04-14 07:16

二、机器学习基础2

常用分类算法的优缺点分类算法优点缺点Bayes贝叶斯分类法1.所需估计参数少，对缺失数据不敏感2.数学基础夯实，有稳定效率1.属性相互独立2.需先验概率3.分类决策存在错误Decisiontree决策树1.不需任何知识2.适合高维数据3.简单易理解4.速度快、效果好5.可同时处理数据型与常规型属性1.偏向于更多数据数值特征2.易于过拟合3.忽略属性相关性4.不支持在线学习SVM支持向量机1.解决小
满满myno·2022-04-14 07:04

零基础的嵌入式机器学习：Edge Impulse使用教程之训练模型浅析(2)——回归(预测)模型

前言没有机器学习基础但是想利用嵌入式AI？EdgeImpulse绝对是不二之选！算法自动提供，代码一键生成，移植简单方便，简直是小白的福音！如果你打算涉及嵌入式机器学习，那就快来看看吧！
方恪·2022-04-09 07:39

零基础的嵌入式机器学习：Edge Impulse训练模型移植STM32F407ZGT6实例

前言没有机器学习基础但是想利用嵌入式AI？EdgeImpulse绝对是不二之选！算法自动提供，代码一键生成，移植简单方便，简直是小白的福音！如果你打算涉及嵌入式机器学习，那就快来看看吧！
方恪·2022-04-09 07:39

机器学习基础：极大似然估计高斯参数

机器学习基础：极大似然估计数据参数估计均值参数估计方差数据设DataSet：X={(x1,y1),(x2,y2),(x3,y3)…(xn,yn))}，其中xi∈Rpxi\inR^pxi∈Rp，yi∈Ryi
Hanzerial·2022-04-05 07:47

图像 引言 深度学习_TensorFlow2.0与深度学习（引言）

本书主要分为三个部分：第一部分：应用数学和机器学习基础第二部分：实用的深度神经网络第三部分：深度学习研究《深度学习》包含了解深度学习算法时需要了解的几乎所有内
weixin_39769406·2022-04-04 07:49

机器学习基础知识之一元线性回归模型

一元线性回归模型引言问题：现在有图中的六个点，我想通过找寻图中六个点的规律，当第七个点来的时候借鉴此规律得到X7的值，我该如何操作？一元线性回归模型为了解决上述问题我们引入一元线性回归模型什么是一元线性回归模型：一元就是有一个输入（即一个特征），通过找寻输入x与输出y的“最佳”关系，对未来的样本进行预测大白话（个人理解）：如何求解一元一次函数其实一元线性回归模型与图中的例子类似，就是通过计算多个真
China_Musk·2022-04-03 07:39

机器学习基础简介

机器学习的概念什么是机器学习机器学习(MachineLearning,ML)主要研究计算机系统对于特定任务的性能，逐步进行改善的算法和统计模型。通过输入海量训练数据对模型进行训练，使模型掌握数据所蕴含的qian潜在规律，进而对新输入的数据进行准确的分类或预测。机器学习过程简单地来说就是通过海量数据训练模型，提炼规律，进行新数据的预测。机器学习分类无监督学习无监督学习算法采用一组仅包含输入的数据，通
「已注销」·2022-04-03 07:18

Python机器学习基础--matplotlib库（上）

目录matplotlib库案例:生成一个折线图画布与坐标系子绘图区域案例一：生成多个子图Matplotlib常用符号显示网格案例二：生成一个带网格线的折线图显示图例案例三：生成一个带图例的折线图显示中文中文显示方法（一）中文显示方法（二）显示负号显示注释显示标题案例四：标题显示函数使用x轴和y轴注释在指定位置放置注释案例五：在指定位置添加箭头其他设置matplotlib库优秀数据可视化第三方库，可
夺笋123·2022-04-03 07:17

机器学习基础(Machine Learning,ML)

什么是机器学习机器学习是人工智能的一个子集，目前已经发展出许多有用的方法，比如支持向量机，回归，决策树，随机森林，强化方法，集成学习，深度学习等，一定程度上可以帮助人们完成一些数据预测，自动化，自动决策，最优化等初步替代脑力的任务。什么是神经网络神经网络就是按照一定规则将多个神经元连接起来的网络。神经网络有三种层：输入层负责接受信息比如一张猫的图片；输出层是计算机对这个输入信息的判断结果，它是不是
Jamn_Sun·2022-04-03 07:09

Python实现数据预处理-离散值处理

关于特征值离散化的相关内容可以看机器学习面试题之机器学习基础（一）1.pandas进行特征离散处理importpandasaspddf=pd.DataFrame([['green','M',10.1,'
jaffe_wei·2022-04-02 07:40

【机器学习基础】支持向量机超参数的可视化解释

作者|SonerYıldırım编译|VK来源|TowardsDatasScience支持向量机（SVM）是一种应用广泛的有监督机器学习算法。它主要用于分类任务，但也适用于回归任务。在这篇文章中，我们将深入探讨支持向量机的两个重要超参数C和gamma，并通过可视化解释它们的影响。所以我假设你对算法有一个基本的理解，并把重点放在这些超参数上。支持向量机用一个决策边界来分离属于不同类别的数据点。在确定
风度78·2022-03-30 07:56

python机器学习基础05——sklearn之逻辑回归+分类评价指标

文章目录逻辑回归逻辑回归的损失函数逻辑回归API分类模型的评价指标混淆矩阵准确率召回率（较多被使用）精确率f1-score：精确率和召回率的调和平均数AUC逻辑回归逻辑回归是经典的分类模型，使用的是sigmod函数函数解释：Sigmoid函数是一个S型的函数，当自变量z趋近正无穷时，因变量g(z)趋近于1，而当z趋近负无穷时，g(z)趋近于0，它能够将任何实数（非0和1的标签数据）映射到(0,1)
友培·2022-03-29 15:21

python机器学习基础01——sklearn开启

文章目录机器学习开发流程特征工程字符串特征化onehot编码文本特征化jieba分词数值型数据预处理归一化标准化特征选择Filter过滤式（方差过滤）PCA降维WOE&IV编码分箱WOEIV数据集数据集划分数据集接口介绍机器学习开发流程1.数据采集公司内部产生的数据和其他公司合作获取的数据购买的数据2.分析数据所对应要解决需求或者问题是什么？根据目标数据推断问题属于回归还是分类！3.数据的基本处理
友培·2022-03-29 15:21

机器学习实战 | Python机器学习算法应用实践

引言本篇文章希望带大家完整走一遍机器学习应用流程，我们会讲解到基于Python的机器学习算法，应用在结构化数据和非结构化数据(图像)上，希望通过文章内容帮助大家在案例中重温机器学习基础知识，并学习应用机器学习解决问题的基本流程
ShowMeAI·2022-03-22 13:27

【机器学习基础】无监督学习（2）——降维之LLE和TSNE

在上一节介绍了一种最常见的降维方法PCA，本节介绍另一种降维方法LLE，本来打算对于其他降维算法一并进行一个简介，不过既然看到这里了，就对这些算法做一个相对详细的学习吧。0.流形学习简介在前面PCA中说到，PCA是一种无法将数据进行拉直，当直接对于曲面进行降维后，导致数据的重叠，难以区分，如下图所示：这是因为在使用PCA降维时，PCA仅仅关注于保持降维后的方差最大，没有考虑样本的局部特征，如图所示
Uniqe·2022-03-21 22:00

【机器学习基础】常用激活函数（激励函数）理解与总结

引言学习神经网络的时候我们总是听到激活函数这个词，而且很多资料都会提到常用的激活函数，比如Sigmoid函数、tanh函数、Relu函数。那么我们就来详细了解下激活函数方方面面的知识。本文的内容包括几个部分：1.什么是激活函数？2.激活函数的用途（为什么需要激活函数）？3.有哪些激活函数，都有什么性质和特点？4.应用中如何选择合适的激活函数？如果你对以上几个问题不是很清楚，下面的内容对你是有价值的
风度78·2022-03-21 07:22

Python机器学习日记8：决策树

Python机器学习日记8：决策树一、书目与章节二、决策树1.构造决策树2.控制决策树的复杂度3.分析决策树4.树的特征重要性一、书目与章节拜读的是这本《Python机器学习基础教程》，本文选自第2章“
调参侠鱼尾·2022-03-20 07:46

机器学习基础补习01---微积分与概率论基础

玩了将近一个月的我终于又回来继续学习啦~~~，最近开始补习一些机器学习中需要的数学知识，就把个人学习过程记录在csdn博客吧。1.什么是机器学习？TomMichaelMitchell在他的非常经典的书《machinelearning》中给出的定义如下：对于某给定的任务T，在合理的性能度量方案P的前提下，某计算机程序可以自主学习任务T的经验E，随着提供合适的、优质的、大量的经验E，该程序对于任务T的
多欢喜 ·2022-03-20 07:17

监督学习，无监督学习常用算法集合总结，引用scikit-learn库（监督篇）

参考书目《python机器学习基础教程》将分别从以下3方面进行总结1.算法的作用2.引用的方式（我这里主要是基于scikit-learn）3.重要参数4.优缺点5.注意事项监督学习算法监督学习主要解决两种问题
Novice！！！·2022-03-19 16:00

机器学习基础

机器学习基础文章目录机器学习基础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、评估机器学习的模型2.1、训练集、验证集和测试集2.1.1、简单的留出验证2.1.2
前丨尘忆·梦·2022-03-19 09:44

算法测试探索与实践

机器学习基础简介大家在学习算法测试之前，首先需要对机器学习基础知识，有一个初步的了解，在此将从机器学习分类，哈啰算法应用场景，关键术语，算法研发步骤，四个维度进行介绍。
·2022-03-18 14:07

机器学习基础整理(第五章) - 分类器的性能评估和改进

文章目录总览评估(Assessment)整体思路判别性Holdout估计(留出法)交叉验证(CrossValidation)Bootstrap技术可靠性ROC二分类ROC规则模型的比较统计测试(statisticaltest)ROC比较分类器组合(CombiningClassifiers)多分类器系统(multipleclassifiersystems)的架构不同的特征空间(Differentfe
王踹踹·2022-03-18 07:41

机器学习基础：交叉熵损失（Machine Learning Fundamentals: Cross Entropy Loss）

前言交叉熵损失函数是分类问题里面一个非常常用的函数，本文就其物理意义进行两方面解读，一是从信息论的角度，另一个是从概率密度估计的角度来讲。信息论的角度在我本科的学习过程中，给我印象最深的理论要数傅里叶变换和香农信息论了，傅里叶变换让我们从另一个角度观察和理解世界，颠覆了我对信号和系统的认识。信息论让我对信息的解析和传递产生了极大的兴趣，因此我十分佩服傅里叶和香农（以上是题外话，哈哈）。好了，言归正
我就是王钢蛋·2022-03-16 07:32

机器学习基础(林軒田)笔记之九

LinearRegression回顾上节课我们讲述了在二元分类的基础上得出的VCBound既可以用在各种不同错误衡量机制也可以用在有noise的情形。LinearRegressionProblem我们重新回到银行的例子，银行到底应该给顾客多少信用额度。当然，这也可以用之前的LearningFlow来表示，但是目标函数是一个输出实数的公式。线性回归的假设集：目标：得到的实数与期望值越接近越好。线性回
独孤九戒·2022-03-15 10:46

机器学习基础——隐马尔可夫模型

隐马尔可夫模型定义：隐马尔可夫模型是关于时序的概率模型，描述由一个隐藏的马尔科夫链随机生成不可观测的状态随机序列，再由各个状态生成一个观测而产生观测随机序列的过程。对该问题中的数据进行数学定义所有可能的状态集合QQQ，其中NNN为所有可能的状态数：Q={q1,q2,...,qN}Q=\{q_1,q_2,...,q_N\}Q={q1,q2,...,qN}所有可能的观测集合VVV，其中MMM为所有可能
Potato_Shy·2022-03-14 07:34

图解机器学习 | 机器学习基础知识

作者：韩信子@ShowMeAI教程地址：http://www.showmeai.tech/tutorials/34本文地址：http://www.showmeai.tech/article-detail/185声明：版权所有，转载请联系平台与作者并注明出处1.机器学习概述1）什么是机器学习人工智能（Artificialintelligence）是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、
ShowMeAI·2022-03-13 20:48

深度学习主干网络-VGG16论文网络实现，参数介绍，数据处理，单通道，多通道数据，最大池化可视化。带源码。

VGG16卷积网络详解机器学习基础知识：1.相对熵(KL散度)：两个概率分布（probabilitydistribution）间差异的非对称性度量衡量任意一个分布偏离真实分布的程度，如果两个分布完全匹配
林丿子轩·2022-03-12 07:21

使用opencv和python实现图像的智能处理_机器学习：使用OpenCV和Python进行智能图像处理...

全书共12章，第1章简要介绍机器学习基础知识，并讲解如何安装OpenCV和Python工具；第2章展示经典的机器学习处理
weixin_39609752·2022-03-01 07:04

机器学习基础教程笔记---特征工程

目录特征工程2.1数据集2.1.1可用数据集2.1.2sklearn数据集2.1.3数据集的划分2.2特征工程介绍学习目标2.2.1为什么需要特征工程(FeatureEngineering)2.2.2什么是特征工程2.2.3特征工程的位置与数据处理的比较2.3特征提取学习目标2.3.1特征提取1将任意数据（如文本或图像）转换为可用于机器学习的数字特征2特征提取API2.3.2字典特征提取1应用2流
龙鸣丿·2022-02-28 11:39

机器学习基础教程笔记---机器学习概述

目录机器学习概述1.1人工智能概述1.1.1机器学习与人工智能、深度学习1.1.2机器学习、深度学习能做些什么1.1.3人工智能阶段课程安排1.2什么是机器学习1.2.1定义1.2.2解释1.2.3数据集构成1.3机器学习算法分类学习目标分析1.2中的例子：1.3.1总结1.3.2练习1.3.3机器学习算法分类1.4机器学习开发流程1.5学习框架和资料介绍1.5.1机器学习库与框架1.5.2书籍资
龙鸣丿·2022-02-28 11:09

机器学习基础篇-Batch Normalization

BatchNormalization在神经网络训练过程中，使用BatchNormalization能够加快训练速度。BN算法过程如下：首先输入值是每一个mini-batch的值，这里用Z表示该layer的值:Z={x1,x2,..,xn}Z=\{x_1,x_2,..,x_n\}Z={x1,x2,..,xn}首先求出这个layer的均值：μ=1m∑Zi\mu=\frac{1}{m}\sumZ^{i}
AI干货中心·2022-02-28 07:07

python自学-Python 应该怎么学？

这个图谱是按照【专业基础】【数据分析】【爬虫实战】【后台开发实战】【机器学习基础】【机器学习实战】六大部分规划的学习路线。
编程大乐趣·2022-02-27 07:11

游戏AI paper记录

个人邮箱mailadress：[email protected]–个人感觉去看游戏AIpaper之前应该具备的一些知识如下：机器学习（MachineLearning）：如果没有机器学习基础，去看paper
金枪鱼太岁·2022-02-26 07:26
上一页 14 15 16 17 18 19 20 21 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他