机器学习
-
【机器学习】模型融合方法概述
我理解的Kaggle比赛中提高成绩主要有3个地方 特征工程 调参 模型融合 之前每次打比赛都只做了前两部分，最后的模型融合就是简单的加权平均，对于进阶的Stacking方法一直没尝试，这几天摸索了一下还是把Stacking方法给弄懂了。(本文重点讲解Stacking,Bagging和Boosting有很多权威的好教程，所以不详细介绍)最早的Stackin…
-
机器学习中常见的损失函数
## 机器学习中常见的损失函数 一般来说，我们在进行机器学习任务时，使用的每一个算法都有一个目标函数，算法便是对这个目标函数进行优化，特别是在分类或者回归任务中，便是使用损失函数（Loss Function）作为其目标函数，又称为代价函数(Cost Function)。 损失函数是用来评价模型的预测值f为分类或者回归函数。 那么总的损失函数为： …
-
解读机器学习基础概念：VC维的来龙去脉 | 数盟
http://dataunion.org/14581.html
-
机器学习–Micro Average,Macro Average, Weighted Average
根据前面几篇文章我们可以知道，当我们为模型泛化性能选择评估指标时，要根据问题本身以及数据集等因素来做选择．本篇博客主要是解释Micro Average，Macro Average，Weighted Average．这三者常用于多分类任务，他们的计算方法有细微的差别，因此在各自表示的含义和适用场景上也有细微的差别 Micro Average会考虑到所有类别的贡…
-
sklearn机器学习的监督学习的各个模型主要调参参数
#正则化：降低模型的复杂度，避免过拟合。 #加载模块 from sklearn.datasets import load_iris import joblib from sklearn.neighbors import KNeighborsClassifier from sklearn.linear_model import LinearRegression…
-
【笔记】机器学习 – 李宏毅 — Explainable ML 可解释性机器学习
课程笔记 前言 两种可解释性：局部解释：为什么这种图是猫？全局解释：猫是什么样子的？ 为什么需要可解释机器学习？（打开黑盒） 一般的提升效果的方法就是一顿暴调参数，可解释性可以帮助我们更好地提升模型性能。 其实人也是个黑盒（这个观点太6了）。可解释机器学习的目标，不需要真正知道模型如何工作，只需要给出可信服的解释，让人满意就行。对此还可以针对不同人的接受能力…
-
机器学习第八周–决策树
在了解树模型之前，自然想到树模型和线性模型有什么区别呢？其中最重要的是，树形模型是一个一个特征进行处理，之前线性模型是所有特征给予权重相加得到一个新的值。决策树与逻辑回归的分类区别也在于此，逻辑回归是将所有特征变换为概率后，通过大于某一概率阈值的划分为一类，小于某一概率阈值的为另一类；而决策树是对每一个特征做一个划分。另外逻辑回归只能找到线性…
-
机器学习：实用案例解析
《机器学习：实用案例解析》 基本信息 原书名：Machine Learning for Hackers 作者： (美)Drew Conway John Myles White 译者： 陈开江 刘逸哲 孟晓楠 丛书名： O’eilly精品图书系列 出版社：机械工业出版社 ISBN：9787111417316 上架时间：2013-4-22 出版日期：2013 年…
-
机器学习工程师 – Udacity 项目 3: 创建用户分类
开始 在这个项目中，你将分析一个数据集的内在结构，这个数据集包含很多客户针对不同类型产品的年度采购额（用金额表示）。这个项目的任务之一是如何最好地描述一个批发商不同种类顾客之间的差异。这样做将能够使得批发商能够更好的组织他们的物流服务以满足每个客户的需求。 这个项目的数据集能够在UCI机器学习信息库中找到.因为这个项目的目的，分析将不会包括 ‘Channe…
-
机器学习工程师 – Udacity 癌症检测深度学习
1.如果你是态度认真的机器学习工程师，你会花很长时间清洗数据。 2.对网络提前训练完全不同的事物，比从来没有训练过的网络可以得到更好的结果。从某种角度讲，神经网络内部形成的特征，与你训练的图片类型无关。 3.敏感性与特异性敏感性和特异性虽然与查准率和查全率相似，但并不相同。在癌症示例中，敏感性和特异性指：敏感性：在患有癌症的所有人中，诊断正确的人有多少？特异…
