机器学习

随着机器学习越来越流行，也出现了越来越多能很好地处理任务的算法。但是，你不可能预先知道哪个算法对你的问题是最优的。如果你有足够的时间，你可以尝试所有的算法来找出最优的算法。本文介绍了如何依靠已有的方法（模型选择和超参数调节）去指导你更好地去选择算法。本文作者为华盛顿大学 eScience Institute 和 Institute for Neuroengi…

转自： 加载和生成多标签分类数据集  安装工具包 pip install arff pip install scikit-multilearn 加载多标签分类数据集   from skmultilearn.dataset import available_data_sets, load_dataset #data_set = set([x[0] for x …

线性代数是数学的分支学科，涉及矢量、矩阵和线性变换。它是机器学习的重要基础，从描述算法操作的符号到代码中算法的实现，都属于该学科的研究范围。虽然线性代数是机器学习领域不可或缺的一部分，但二者的紧密关系往往无法解释，或只能用抽象概念(如向量空间或特定矩阵运算)解释。 这里我向大家推荐一个不错的线性代数学习教程，《Introduction to Linear A…

XGBoost 是一种集大成的机器学习算法，可用于回归，分类和排序等各种问题，在机器学习大赛及工业领域被广泛应用。成功案例包括：网页文本分类、顾客行为预测、情感挖掘、广告点击率预测、恶意软件分类、物品分类、风险评估、大规模在线课程退学率预测。 XGBoost是初学者最值得深度理解的模型之一，它将决策树、boosting、GBDT 等知识点串联起来，强烈建议大…

自己一直学习计算机视觉方面的东西，现在想学习一下数据挖掘跟搜索引擎，自己基础也有点薄弱，看朱明的那本数据挖掘，只能片面的了解这个数据挖掘。不过最近有一本书 机器学习实战，于是乎通过实战的形式了解一下基本的算法的执行过程。在算法当中，很多都是相通的，模式识别、机器学习、数据挖掘、自然语言处理等等这些算法归结起来其实差不了多少，题外话不多说了，好好学习。 k近邻…

100天搞定机器学习：模型训练好了，然后呢？ 大家好，我是老胡。 许久没有更新100天搞定机器学习系列了，最近在看一个开源框架，其中有用到 gRPC ，它可以用于机器学习模型的部署，也可用于深度学习框架的开发，本文就当是《100天搞定机器学习》的番外篇吧。 gRPC（Remote Procedure Call） gRPC 由 Google 开发，是一款语言中…

集成学习方法是机器学习领域中用来提升分类算法准确率的技术，主要包括Bagging和Boosting即装袋和提升。 我们这主要讲述Boosting中代表性算法AdaBoost元算法 基于数据集多重抽样的分类器 前面介绍了K近邻算法、决策树算法、朴素贝叶斯算法、逻辑回归以及支持向量机 这些算法各有优缺点，我们自然可以将不同的分类器组合起来，这种组合的结果就被称为…

朴素贝叶斯，基本思想就是，给出一个分类问题，对于待求项，属于哪个分类的概率最大，那这个待求项就属于哪个分类。 给出基本公式 假设要分类物有n个特征，分别为F1、F2、F3、…、Fn，现在有m个类别分别是C1、C2、C3、…、Cm.贝叶斯就是计算出概率最大的那个分类。 具体贝叶斯定理参考http://zh.wikipedia.org/wiki/%E8%B4%9…

决策树的思想比较简单，不复杂，决策树，就是通过一个属性将数据进行划分，而这个属性的选择也就是决策树的关键，用什么样的属性分开的值尽可能属于同一个类别。 属性选择的方法很多，书中主要介绍了：通过信息增益、增益比率、以及基尼指数. 具体伪代码书中给出： 本文采用了ID3算法划分数据集。该算法采用了一个叫信息增益的概念，关于信息论的部分，曾经写过一文http://…

对于之前在分类问题中有逻辑回归，而对于这个线性回归以前一般是先讲述，将线性回归的结果通过函数映射到（0，1）区间，再以0.5作为区分形成分类问题。 具体的计算方法，在以前的blogs提到过，参考：http://www.cnblogs.com/fengbing/archive/2013/05/15/3079033.html 下面就直接实战 跟之前一样，第一步导…