机器学习系列第2页

机器学习系列06：决策树

如果你很关心模型的可解释性，那么决策树（DecisionTree）算法当之无愧为首选。决策树算法如何工作套用西瓜书上的一个图来说明决策树算法是如何工作的：我们挑选西瓜时，都会考虑西瓜脐部、色泽、根蒂以及敲一敲听声音等因素（特征），决策树就是对这些考虑因素进行逐个拆解，从而判断西瓜（样本）是好瓜还是坏瓜（类别）。从上面来看，这些特征好像都是离散型的，对于Iris数据集中数值特征来说，我们可以设定一个

加百力·2023-12-30 07:00

机器学习系列13：通过随机森林获取特征重要性

你可能需要参考：《机器学习系列06：决策树》这种方法无需对特征做归一化或者标准化预处理，也不假设数据集是否线性可分。以红酒数据集为例。我们可以直接通过feature_impor

加百力·2023-12-30 07:58

机器学习系列12：减少过拟合——降维（特征选择）

对于不支持正则化的模型来说，我们可以通过降低数据的特征维度来减小模型复杂度，从而避免过拟合。有两种降维方法：特征选择（featureselection）：从原始特征集中选择一部分特征子集。特征抽取（featureextraction）：从现有的特征集中抽取信息形成新的特征空间。顺序特征选择是一种贪心算法，它通过自动选择与问题最相关的特征子集来提升计算效率，剔除不相关的特征或噪声数据来降低模型泛化误

加百力·2023-12-30 07:32

机器学习系列10：数据预处理——特征缩放

这里我们要换使用UCI上面的红酒数据集了。下载地址：https://archive.ics.uci.edu/dataset/109/wine这个数据集含有三种不同的红酒，共178个样本，每个样本由13个不同化学属性。我们首先将数据集分层采样划分70%出来作为训练集，剩余30%用作测试集。特征缩放（featurescaling）是数据预处理步骤中及其容易被忽略的一步。除了决策树和随机森林这两种不需要

加百力·2023-12-30 07:02

机器学习系列--R语言随机森林进行生存分析（1）

随机森林（Breiman2001a）（RF）是一种非参数统计方法，需要没有关于响应的协变关系的分布假设。RF是一种强大的、非线性的技术，通过拟合一组树来稳定预测精度模型估计。随机生存森林（RSF）（Ishwaran和Kogalur，2007；Ishwaraan，Kogalur、Blackstone和Lauer（2008）是Breimans射频技术的延伸从而降低了对时间到事件数据的有效非参数分析。R

天桥下的卖艺者·2023-12-28 16:59

机器学习系列 - 2.如何评价模型的好坏

小蘑菇1962·2023-12-27 12:09

《Machine Learning in Action》—— 女同学问Taoye，KNN应该怎么玩才能通关

这篇是机器学习系列文章所涉及到的第六篇文章了，前面已经介绍过了支持向量机SVM以及决策树算法，一个躲在小房间里认真阅读过的读者应该对他们都有了一定的认识，算法的过程和原理也都大致了解了。

玩世不恭的Coder·2023-12-26 20:40

机器学习系列_朴素贝叶斯（1）（原理、python代码、实战）

本文经作者允许转载自公众号：月半一更链接：https://mp.weixin.qq.com/s/v-FN3rG97Hr8Ez_fnkwpTw前文中的K-近邻、决策树分类器，给出的分类决策都是确定性的，即：该数据实例确定属于哪一类。但是，再好的分类器有时候也会产生错误的分类结果，这时候我们就希望有一个分类器，它能给出一个最优的类别猜测结果，同时也能给出这个猜测的概率估计值。这种基于分类结果的概率估计

大大的肥猫·2023-12-26 07:26

【Python机器学习系列】建立决策树模型预测心脏疾病（完整实现过程）

一文彻底搞懂机器学习中的归一化与反归一化问题【Python机器学习系列】一文彻底搞懂机器学习中表格数据的输入形式（理论+源码）【Python特征工程系列】利用随机森林模型分析特征重要性（源码）【Pytho

数据杂坛·2023-12-24 20:41

【Python机器学习系列】一文搞懂机器学习中的转换器和估计器（附案例）

一、引言表格数据一套完整的机器学习建模流程如下：在机器学习中，转换器（Transformer）和估计器（Estimator）是两个重要的概念，转换器和估计器在机器学习中扮演不同的角色，但它们通常可以结合在一起构建一个完整的机器学习流程。二、转换器转换器（Transformer）是一种用于数据转换和预处理的对象或类。它接受输入数据，并对其进行某种形式的变换。转换器通常用于数据的特征工程，包括特征缩放

数据杂坛·2023-12-24 20:38

开源书籍—鸢尾花书：从加减乘除到机器学习系列 | 开源专题 No.50

Visualize-ML/Book1_Python-For-BeginnersStars:2.4kLicense:NOASSERTION《编程不难》是一本名为鸢尾花书的开源项目，它从基础的加减乘除开始，逐步引导读者进入机器学习领域。该项目提供了PDF草稿和Jupyter笔记，并经过至少两轮修改以确保内容更新完善。以下是这个开源项目的核心优势和关键特性：详细而易懂：《编程不难》通过简洁明了的语言、清

开源服务指南·2023-12-16 12:30

机器学习系列 - 6. 重要概念补充

1.多项式回归&Pipeline1.1多项式回归：研究一个因变量与一个或多个自变量间多项式的回归分析方法，称为多项式回归（PolynomialRegression）。多项式回归是线性回归模型的一种，其回归函数关于回归系数是线性的。其中自变量x和因变量y之间的关系被建模为n次多项式。如果自变量只有一个时，称为一元多项式回归；如果自变量有多个时，称为多元多项式回归。在一元回归分析中，如果变量y与自变量

小蘑菇1962·2023-11-30 11:20

机器学习系列 - 7.逻辑回归

1.什么是逻辑回归：1.1线性回归的3个假设：a.因变量和自变量之间呈线性相关。b.自变量与干扰项相互独立。c.没被线性模型捕捉到的随机因素服从正态分布。1.2用逻辑回归解决分类问题：其原理是将样本的特征和样本发生的概率联系起来，即，预测的是样本发生的概率是多少。由于概率是一个数，因此被叫做“逻辑回归”。在回归问题上再多做一步，就可以作为分类算法来使用了。逻辑回归只能解决二分类问题，如果是多分类问

小蘑菇1962·2023-11-24 16:01

机器学习系列笔记九: 逻辑回归

机器学习系列笔记九:逻辑回归文章目录机器学习系列笔记九:逻辑回归IntroLogisticRegression原理激活函数逻辑回归的损失函数实现逻辑回归算法决策边界在逻辑回归中使用多项式特征代码实现逻辑回归中使用正则化

ChanZany·2023-11-23 08:13

机器学习系列笔记七:多项式回归[上]

机器学习系列笔记七:多项式回归[上]文章目录机器学习系列笔记七:多项式回归[上]Intro简单实现scikit-learn中的多项式回归和Pipeline关于PolynomialFeaturesPipeline

ChanZany·2023-11-16 23:51

霍特林分布matlab,【MATLAB机器学习系列】——主成份分析(PCA)在量化投资中的应用...

原标题：【MATLAB机器学习系列】——主成份分析(PCA)在量化投资中的应用编辑部我们会再接再厉1PAC核心思想PCA算法也叫主成分分析(principalcomponentsanalysis)，用来减少数据集的维数

weixin_39638801·2023-11-07 06:28

机器学习线性回归算法实验报告_机器学习系列 4：线性回归的梯度下降算法

之前我们已经学过了线性回归、代价函数和梯度下降，但是他们就像一个人的胳膊和腿，只有组合在一起才会成为一个「完整的人」，这个「完整的人」就是一个机器学习算法，让我们一起来学习第一个机器学习算法吧。这个机器学习算法叫做线性回归的梯度下降算法(GradientDescentForLinearRegression)，还记得我们学过的线性回归函数、代价函数和梯度下降算法吗?如果忘记了，让我们一起来回忆一下，

weixin_40004960·2023-11-03 14:04

最速下降法极小化rosenbrock函数代码_机器学习系列（四）—— 梯度下降

梯度下降梯度下降(GradientDescent)是求解机器学习模型参数最常用的方法之一，我们的《机器学习系列》前几章已经提到了梯度下降，并对此进行了简单描述。

weixin_39771969·2023-11-02 22:02

《Machine Learning in Action》—— 白话贝叶斯，“恰瓜群众”应该恰好瓜还是恰坏瓜

手撕机器学习系列文章目前已经更新了支持向量机SVM、决策树、K-近邻（KNN），现在我们来玩玩贝叶斯算法，其他机器学习系列文章可根据自己需求来食用（持续更新中）：《MachineLe

玩世不恭的Coder·2023-10-30 07:44

[机器学习系列三]机器学习部署—PMML与TensorFlow serving

离线训练好的模型有时需要在线上部署，这里介绍PMML与tensorflowserving两种方式，模型都选择线性回归。1.基于PMML文件部署预测模型标记语言(PredictiveModelMarkupLanguage,PMML)是一种可以呈现预测分析模型的事实标准语言。通过制定标准，各种开发语言都可以使用相应的包，把模型文件转成这种中间格式，而另外一种开发语言，可以使用相应的包导入该文件做线上预

925781609·2023-10-29 15:02

机器学习系列文章（chapter two）——数据特征分析处理

一、数据来源用机器学习来分析数据、获取客观规律，首先我们要能有海量数据去进行分析，才有可能得出相对准确的结论。如果数据量不够大，则很可能得出误导性的结论。比如去高端住宅区调查人均存款情况，得出的结论就会大大超出真实水平。数据就像是食物，只有保证足够的高质量食物，才让我们的机器学习程序更加强大。常见的数据来源：企业日积月累的大量数据（如淘宝的购买记录）政府掌握的各种数据（如经济产值、货币发行量）科研

棚鱼宴·2023-10-29 09:42

机器学习笔记03_机器学习基本概念(下)

学习视频：[中英字幕]吴恩达机器学习系列课程学习资料：https://github.com/fengdu78/Coursera-ML-AndrewNg-NotesGitHub不好用的话，我在CSDN资源区也上传了开源资料

三木今天学习了嘛·2023-10-28 17:25

吴恩达《机器学习》1-4:无监督学习

参考资料：[中英字幕]吴恩达机器学习系列课程黄海广博

不吃花椒的兔酱·2023-10-28 05:08

神经网络反向传播算法

本篇为机器学习系列文章一、符号与表示图1.1多层全连接神经网络图1.2神经元训练过程对每一个提交给神经网络的样本用式[2.3]对全体权值进行一次更新

360技术·2023-10-20 07:48

吴恩达机器学习（十九）—— 异常检测

吴恩达机器学习系列内容的学习目录→\rightarrow→吴恩达机器学习系列内容汇总。

大彤小忆·2023-10-09 16:44

MATLAB机器学习系列-5 RBF、GRNN和PNN神经网络原理及其例子代码

RBF(径向基神经网络）GRNN广义神经网络PNN概率神经网络RBF算例实现（回归）数据集%1.导入数据loadspectra_data.matNIR输入，octane输出%%I.清空环境变量clearallclc%%II.训练集/测试集产生%%%1.导入数据loadspectra_data.mat%%%2.随机产生训练集和测试集temp=randperm(size(NIR,1));%训练集——5

总裁余(余登武)·2023-09-28 19:19

机器学习系列(17)_Yelper推荐系统

寒小阳·2023-09-24 08:16

机器学习系列三 -- 最小二乘法实现线性回归（波士顿数据集）

线性回归数据集分析#CRIM：城镇人均犯罪率。ZN：住宅用地超过25000sq.ft.的比例。INDUS：城镇非零售商用土地的比例。CHAS：查理斯河空变量（如果边界是河流，则为1；否则为0）。NOX：一氧化氮浓度。RM：住宅平均房间数。AGE：1940年之前建成的自用房屋比例。#DIS：到波士顿五个中心区域的加权距离。#RAD：辐射性公路的接近指数。#TAX：每10000美元的全值财产税率。#P

gm0012·2023-09-20 23:47

【白话机器学习系列】白话梯度下降

白话梯度下降梯度下降是机器学习中最常见的优化算法之一。理解它的基本实现是理解所有基于它构建的高级优化算法的基础。文章目录优化算法一维梯度下降均方误差梯度下降什么是均方误差单权重双权重三权重三个以上权重矩阵求导结论优化算法在机器学习中，优化是寻找理想参数或权重以最大化或最小化成本或损失函数的过程。全局最大值是函数定义域上的最大值，而全局最小值是函数的最小值。虽然只有一个全局最大值和/或最小值，但可以

JarodYv·2023-09-10 06:39

从python入门机器学习系列--2、Z 检验与 T 检验

前言均值对比是数据分析中最重要的内容之一，应用广泛。对比试验前后病人的症状，证明某种药是否有效；对比某个班级两次语文成绩，验证是否有提高；对比某个产品在投放广告前后的销量，看广告是否有效。这些都属于两均值对比的应用。均值对比的假设检验方法主要有Z检验和T检验，它们的区别在于Z检验面向总体数据和大样本数据，而T检验适用于小规模抽样样本。下面分别介绍Z检验和T检验。Z检验需要事先知道总体方差，另外，如

ranchlin·2023-09-10 05:31

送你一个在线机器学习网站，真香！

https://campus.datacamp.com机器学习系列教程从随机森林开始，一步步理解决策树、随机森林、ROC/AUC、数据集、交叉验证的概念和实践。

生信宝典·2023-09-05 01:20

这个忧伤的一月里读的一些书

机器学习系列书目作为这段时间学习

Lewisbase·2023-08-31 01:15

机器学习系列：LightGBM 可视化调参

大家好，在100天搞定机器学习|Day63彻底掌握LightGBM一文中，我介绍了LightGBM的模型原理和一个极简实例。最近我发现Huggingface与Streamlit好像更配，所以就开发了一个简易的LightGBM可视化调参的小工具，旨在让大家可以更深入地理解LightGBM。网址：https://huggingface.co/spaces/beihai/LightGBM-paramet

统计学家·2023-08-20 19:38

sklearn与机器学习系列专题之降维（二）一文弄懂LDA特征筛选&降维

目录1.PCA算法优缺点2.LDA算法简介3.枯燥又简洁的理论推导4.python实战LDA5.下篇预告1.PCA算法优缺点在上一篇推文中，我们详解了PCA算法。这是机器学习中最为常用的降维方法，能降低算法的计算开销，使得数据集更容易处理，且完全无参数的限制。但是，如果用户对观测对象有一定的先验知识，掌握了数据的一些特征，却很难按照预想的方法对处理过程进行干预，可能达不到预期的效果，在非高斯分布的

象牙塔小明·2023-08-19 13:46

机器学习系列之分类

随着计算能力、存储空间、网络的高速发展，人类所积累的数据量正在快速增长，而分类在数据挖掘中是一项非常重要的任务，目前在商业上应用最多，分类算法是解决分类问题的方法，是机器学习中一个重要的研究领域。为了让大家进一步了解机器学习的分类算法，飞马网于3月29日晚，邀请到现就职于国内知名互联网公司的中山大学博士—李梦婷，向大家分享有关分类算法相关领域的内容。以下是这次线上直播的分享实录：一．What（带大

蓝色de叶子·2023-08-17 03:27

机器学习编译系列

机器学习系列文

学弟·2023-08-14 07:28

机器学习系列7：CART树和剪枝

一、剪枝1.为什么要剪枝在决策树生成的时候，更多考虑的是训练数据，而不是未知数据，这会导致过拟合，使树过于复杂，对于未知的样本不准确。2.剪枝的依据——通过极小化决策树的损失函数定义：设树的叶节点个数为，是树的叶节点，该叶节点有个样本,其中属于类的样本点有个，是叶节点的经验熵是超参数损失函数的定义为：经验熵为：代入简化：令：则：的作用：控制着预测误差和树复杂度之间的平衡大，促使选择更为简单的树小，

_世界和平_·2023-08-04 03:30

【李宏毅机器学习·学习笔记】Deep Learning General Guidance

本节课可视为机器学习系列课程的一个前期攻略，这节课主要对MachineLearning的框架进行了简单的介绍；并以trainingdata上的loss大小为切入点，介绍了几种常见的在模型训练的过程中容易出现的情况

MilkLeong·2023-07-30 10:56

机器学习科普（开篇）----超简单的机器学习科普系列

目前的安排是先从机器学习系列开始，讲解主要的算法及它的思想，之后可能会涉及到自然语言处理系列（先剧透一下）不要觉得难，不要害怕发际线作对，跟我一起学，保证你夏天头顶不冷，

细卷子·2023-07-23 08:45

[量化学院]监督式机器学习算法的应用：择时

导语：《MachineLearningforStockPriceForecasting》是AliEl-Shayeb撰写的机器学习系列文章，本文主要介绍其第二部分内容——《监督式机器学习算法的应用》，并将其思想和代码应用在中国股票市场

BigQuant·2023-07-17 07:08

最大熵模型

内容源于公众号《简博士数据分析吧》和b站《【合集】十分钟机器学习系列视频《统计学习方法》》代码来自于https://blog.csdn.net/weixin_41566471/article/details

weixin_961876584·2023-06-24 04:36

【白话机器学习系列】白话 Dropout

白话Dropout文章目录什么是Dropout理解缩放举个例子什么是DropoutDropout是神经网络的一种正则化技术，它在训练时以指定的概率ppp（常见值为p=0.5p=0.5p=0.5）丢弃一个单元（连同连接）。在测试时，所有单元都存在，但权重按ppp缩放（即变为pwpwpw）。该思想是为了防止共同适应（co-adaptation），神经网络变得过于依赖特定的连接，因为这可能是过拟合的症状

JarodYv·2023-06-20 13:22

机器学习比较好的视频资源

[中英字幕]吴恩达机器学习系列课程_哔哩哔哩_bilibiliwww.bilibili.com/video/BV164411b7dx?

无敌三角猫·2023-06-20 11:46

【大道至简】机器学习算法之隐马尔科夫模型(Hidden Markov Model, HMM)详解（3）---学习问题：Baum-Welch算法推导及Python代码实现

☕️本文系列文章汇总：（1）HMM开篇：基本概念和几个要素（2）HMM计算问题：前后向算法（3）HMM学习问题：Baum-Welch算法（4）HMM预测问题：维特比算法☕️本文来自专栏：大道至简之机器学习系列专栏

尚拙谨言·2023-06-18 14:10

机器学习系列（十五）——梯度下降法的优势

梯度下降法的向量化在之前的学习中我们知道利用numpy模块的特性，将运算向量化能一定程度上加快运算速度，这里使用boston房产数据集，向量化后的梯度运算函数只有一行代码：defdJ(theta,X_b,y)：returnX_b.T.dot(X_b.dot(theta)-y)*2/len(X_b)测试性能，首先是正规解：'''使用boston房产数据的所有特征'''importnumpyasnpi

Ice_spring·2023-04-19 11:43

机器学习系列（二十四）——交叉验证与偏方差权衡

交叉验证CrossValidation前面我们学习了可以用测试数据集修正模型的过拟合现象，但是这样做其实是有一点问题的。每次我们用测试数据集来看模型的好坏，如果发现模型表现不好则取调整模型参数优化模型，我们相当于在针对这组测试数据集进行调参，这样最终得到的模型极有可能针对测试数据集过拟合的。测试集非常非常珍贵，它相当于模型遇到的全新数据，一个真正好的机器学习模型应该对全新数据拥有很好的预测能力，因

Ice_spring·2023-04-19 09:12

【Note】MV-机器学习系列之神经网络 PyTorch

一、PyTorch简介1、WhyPyTorch？PyTorch的优势是建立的神经网络是动态的，比如RNN变化时间长度的输出。而且深入API，是可能看懂底层在干嘛。.Tensorflow的优势是在分布式训练上下了很多功夫。高度工业化使得很难看懂底层代码。二、PyTorch神经网络基础1、Torch或NumpyTorch可以将tensor放在GPU中加速运算(前提是有合适的GPU)，就像Numpy会把

火禾子_·2023-04-17 02:11

机器学习系列（三十四）——支撑向量回归（SVR）

本篇主要内容：SVRSVM解决回归问题前面我们说过SVM不只可以解决分类问题，也可以解决回归问题，现在就简要叙述下SVM如何解决回归问题。所谓回归问题其实就是找到一条拟合曲线，使得预测输出能与真值尽可能地接近，同时面对未知数据又要有很好的泛化能力。在线性回归中我们是让MSE的值达到最小，与线性回归不同，支撑向量机回归（SupportVectorRegression，下简称SVR）能容忍模型输出与真

Ice_spring·2023-04-16 09:16

机器学习系列15-半监督学习

如果本文对你有帮助，请给我的github打个star叭注：更多优质内容欢迎关注我的微信公众号“Sakura的知识库”：半监督学习(semi-supervisedlearning)1、introduction2、Semi-supervisedLearningforGenerativeModel3、Low-densitySeparationAssumption：非黑即白4、SmoothnessAssu

Sakura_gh·2023-04-14 04:33

机器学习系列--LDA与PCA

yezi_1026·2023-04-14 02:03

推荐频道

机器学习系列